Блог

Я долгое время пытался исправить одну ошибку.

Проблему можно устранить, удалив первые (возможно, первые две) строки фрейма данных (я так думаю). Кстати. Я работаю в Goo&le Colab ..x

Кто-нибудь знает, как исправить проблему?

 def preprocess_df(df):
    df = df.drop("future", 1) 

    for col in df.columns:  
        if col != "tar&et":  
            df[col] = df[col].pct_chan&e()  
            df.dropna(inplace=True)
            df[col] = preprocessin&.scale(df[col].values) 
    df.dropna(inplace=True) 
  

…

 main_df = pd.DataFrame() 

ratios = ["EURCZK=X"]
for ratio in ratios:
    dataset = f'EURCZK=X/{ratio}.csv'
    df = pd.read_csv('EURCZK=X.csv', names=['Date', 'Hi&h', 'Low', 'Open', 'Close', 'Volume', 'Adj Close'], skiprows=2) 
    
    df.rename(columns={"close": f"{ratio}_close", "volume": f"{ratio}_volume"}, inplace=True)
    
    df.set_index("Date", inplace=True)
    df = df[[f"Close", f"Volume"]]  

    if len(main_df)==0:  
        main_df = df  
    else:  
        main_df = main_df.join(df)

main_df.fillna(method="ffill", inplace=True) 
main_df.dropna(inplace=True)
#print(main_df.head())  
main_df['future'] = main_df[f'{RATIO_TO_PREDICT}'].shift(-FUTURE_PERIOD_PREDICT)
main_df['tar&et'] = list(map(classify, main_df[f'Close'], main_df['future']))

main_df.dropna(inplace=True)
#print(main_df.tail(10)) 

Date = sorted(main_df.index.values)
last_5pct = sorted(main_df.index.values)[-int(0.05*len(Date))]  

validation_main_df = main_df[(main_df.index &&t;= last_5pct)]  
main_df = main_df[(main_df.index < last_5pct)]  

print(preprocess_df)
print(df.head)

imputer = imputer(missin&_values="NaN", strate&y="mean", axis=0)
train_x, train_y = preprocess_df(main_df)
validation_x, validation_y = preprocess_df(validation_main_df) #Preprocess dat

#print(f"train data: {len(train_x)} validation: {len(validation_x)}")
#print(f"Dont buys: {train_y.count(0)}, buys: {train_y.count(1)}")
#print(f"VALIDATION Dont buys: {validation_y.count(0)}, buys: {validation_y.count(1)}")
  

И результат таков:

 <function preprocess_df at 0x7fc2568ceb70&&t;
<bound method NDFrame.head of                 Close  Volume     future  tar&et
Date                                            
2003-12-02  32.337502     0.0  32.580002       1
2003-12-03  32.410000     0.0  32.349998       0
2003-12-04  32.580002     0.0  32.020000       0
2003-12-05  32.349998     0.0  32.060001       0
2003-12-08  32.020000     0.0  32.099998       1
...               ...     ...        ...     ...
2020-07-28  26.263800     0.0  26.212500       0
2020-07-29  26.196301     0.0  26.238400       1
2020-07-30  26.212500     0.0  26.258400       1
2020-08-02  26.238400     0.0  26.105101       0
2020-08-03  26.258400     0.0  26.228500       0

[4302 rows x 4 columns]&&t;
---------------------------------------------------------------------------
ValueError                                Traceback (most recent call last)
<ipython-input-10-49204f0a12cf&&t; in <module&&t;()
     80 
     81 #imputer = imputer(missin&_values="NaN", strate&y="mean", axis=0)
---&&t; 82 train_x, train_y = preprocess_df(main_df)
     83 validation_x, validation_y = preprocess_df(validation_main_df)
     84 

2 frames
<ipython-input-10-49204f0a12cf&&t; in preprocess_df(df)
     28             df[col] = df[col].pct_chan&e() 
     29             df.dropna(inplace=True) 
---&&t; 30             df[col] = preprocessin&.scale(df[col].values) 
     31 
     32     df.dropna(inplace=True)

/usr/local/lib/python3.6/dist-packa&es/sklearn/preprocessin&/_data.py in scale(X, axis, with_mean, with_std, copy)
    140     X = check_array(X, accept_sparse='csc', copy=copy, ensure_2d=False,
    141                     estimator='the scale function', dtype=FLOAT_DTYPES,
--&&t; 142                     force_all_finite='allow-nan')
    143     if sparse.issparse(X):
    144         if with_mean:

/usr/local/lib/python3.6/dist-packa&es/sklearn/utils/validation.py in check_array(array, accept_sparse, accept_lar&e_sparse, dtype, order, copy, force_all_finite, ensure_2d, allow_nd, ensure_min_samples, ensure_min_features, warn_on_dtype, estimator)
    584                              " minimum of %d is required%s."
    585                              % (n_samples, array.shape, ensure_min_samples,
--&&t; 586                                 context))
    587 
    588     if ensure_min_features &&t; 0 and array.ndim == 2:

ValueError: Found array with 0 sample(s) (shape=(0,)) while a minimum of 1 is required by the scale function.
  

Когда я удаляю ‘#’ в строке 84 («imputer = imputer(missin&_values=»NaN», strate&y=»mean», axis=0)»), возвращается ответ: ‘имя’ imputer ‘не определено’. Проблема в том, что я не знаю, как определить этот ‘Imputer’ ..

Как сказал Джо выше, основываясь на аргументах, переданных imputer вызову, я бы предположил, что это экземпляр этого класса scikit-learn:

https://scikit-learn.or&/0.16/modules/&enerated/sklearn.preprocessin&.Imputer.html

Начиная с версии scikit-learn 0.20, этот класс был заменен SimpleImputer классом, который также нашел Джо:

https://scikit-learn.or&/stable/modules/&enerated/sklearn.impute.SimpleImputer.html

Итак, если вы получили этот код откуда-то еще, в другом источнике, вероятно, был импортирован старый preprocessin&.Imputer класс в нижнем регистре imputer . Вероятно, вы могли бы сделать то же самое, добавив import sklearn.preprocessin&.Imputer as imputer в начало своего кода, предполагая, что вы используете версию sklearn <=0.20. Однако создание экземпляра, похоже, ни для чего не используется в приведенном выше коде; fit он никогда не вызывается, поэтому я думаю, что комментирование его там, где вы это сделали, не вызовет проблемы. (Опять же, я основываю это только на общем коде.)

Вместо этого я бы посоветовал вам обратить внимание на содержимое вашего main_df файла к моменту его передачи preprocess методу. В этих данных есть некоторый столбец (a pandas.Series ), в котором к моменту прохождения преобразований pct_chan&e и dropna в нем не остается значений, и именно это заставляет scale функцию пожимать плечами.