ValueError: Inconnu type d'étiquette: "inconnu"

J'essaie d'exécuter le code suivant. Btw, je suis nouveau sur le python et sklearn.

import pandas as pd
import numpy as np
from sklearn.linear_model import LogisticRegression


# data import and preparation
trainData = pd.read_csv('train.csv')
train = trainData.values
testData = pd.read_csv('test.csv')
test = testData.values
X = np.c_[train[:, 0], train[:, 2], train[:, 6:7],  train[:, 9]]
X = np.nan_to_num(X)
y = train[:, 1]
Xtest = np.c_[test[:, 0:1], test[:, 5:6],  test[:, 8]]
Xtest = np.nan_to_num(Xtest)


# model
lr = LogisticRegression()
lr.fit(X, y)

où y est un np.ndarray de 0 et de 1

J'ai le message suivant:

Fichier "C:\Anaconda3\lib\site-packages\sklearn\linear_model\logistic.py", la ligne >1174, dans l'ajustement
check_classification_targets(y)

Fichier "C:\Anaconda3\lib\site-packages\sklearn\utils\multiclass.py", la ligne 172, >dans check_classification_targets
raise ValueError("Unknown type d'étiquette: %r" % y_type)

ValueError: Inconnu type d'étiquette: "inconnu"

de sklearn documentation: http://scikit-learn.org/stable/modules/generated/sklearn.linear_model.LogisticRegression.html#sklearn.linear_model.LogisticRegression.fit

y : semblable au tableau, la forme (n_samples,)
Les valeurs cibles (étiquettes de classe dans la classification, les nombres réels dans la régression)

Quel est mon erreur?

upd:

y est la matrice de([0.0, 1.0, 1.0, ..., 0.0, 1.0, 0.0], dtype=objet) taille (891,)

fournir un aperçu des données et des importations s'il vous plaît. Pourquoi utilisez-vous numpy, vous pouvez aussi sélectionner les colonnes du dataframe par son nom. Btw, pourquoi le fichier de test ont une structure différente thant, le train de fichier. Ce parlent bizarre.
Cette erreur survient si scikit-learn n'est pas en mesure de dire quel type de problème que vous souhaitez résoudre (en regardant la y de données, il sera de retour binaire, multiclasse, continue, etc) .Plus précisément, ce type de données est dans votre y? Le poster ici, ou comme @Quickbeam2k1 dit, il serait plus utile si les échantillons de données complètes sont affichées.

OriginalL'auteur Ivan Zhovannik | 2017-07-27