sci-kit learn：使用 X.reshape(-1, 1) 重塑数据

我正在训练一个用于文本分类的 python (2.7.11) 分类器，在运行时我收到一条已弃用的警告消息，表明我不知道代码中的哪一行导致了它！错误/警告。但是，代码运行良好并给了我结果......

\AppData\Local\Enthought\Canopy\User\lib\site-packages\sklearn\utils\validation.py:386：DeprecationWarning：在 0.17 中不推荐将 1d 数组作为数据传递，并将在 0.19 中引发 ValueError。如果数据具有单个特征，则使用 X.reshape(-1, 1) 重塑数据；如果数据包含单个样本，则使用 X.reshape(1, -1) 重塑数据。

My code:

def main():
    data = []
    folds = 10
    ex = [ [] for x in range(0,10)]
    results = []
    for i,f in enumerate(sys.argv[1:]):
        data.append(csv.DictReader(open(f,'r'),delimiter='\t'))
    for f in data:       
        for i,datum in enumerate(f):
            ex[i % folds].append(datum)
    #print ex
    for held_out in range(0,folds):
        l = []
        cor = []
        l_test = []
        cor_test = []
        vec = []
        vec_test = []

        for i,fold in enumerate(ex):
            for line in fold:
                if i == held_out:
                    l_test.append(line['label'].rstrip("\n"))
                    cor_test.append(line['text'].rstrip("\n"))
                else:
                    l.append(line['label'].rstrip("\n"))
                    cor.append(line['text'].rstrip("\n"))

        vectorizer = CountVectorizer(ngram_range=(1,1),min_df=1)
        X = vectorizer.fit_transform(cor)
        for c in cor:        
            tmp = vectorizer.transform([c]).toarray()
            vec.append(tmp[0])
        for c in cor_test:        
            tmp = vectorizer.transform([c]).toarray()
            vec_test.append(tmp[0])

        clf = MultinomialNB()
        clf .fit(vec,l)
        result = accuracy(l_test,vec_test,clf)
        print result

if __name__ == "__main__":
    main()

知道哪一行发出此警告吗？ 另一个问题是，使用不同的数据集运行此代码可以提供相同的精确度，但我无法弄清楚是什么原因导致的？ 如果我想在另一个 python 进程中使用这个模型，我查看了文档，找到了一个使用 pickle 库的示例，但不适用于 joblib。因此，我尝试遵循相同的代码，但这给了我错误：

clf = joblib.load('model.pkl') 
pred = clf.predict(vec);

另外，如果我的数据是具有以下格式的 CSV 文件：“label \t text \n” 测试数据中的标签列应该包含什么？

提前致谢

您的“vec”输入到您的clf.fit(vec,l).fit需要是类型[[]]， 不只是[]。这是我在拟合模型时总是忘记的一个怪癖。

只需添加一组额外的方括号就可以了！