El paquete de Python llamado Patsy, ayuda a definir una fórmula con variable dependiente e independiente. La variable que se define a la izquierda de '~'
es la variable dependiente, y las variables que se definen a la derecha de la misma son las variables independientes. Las variables encerradas dentro de C () son tratadas como variables categóricas.
Del DataFrame "titanic_3.csv"
, necesito crear dos conjuntos: set de entrenamiento y set de pruebas. Este DataFrame se encuentra accesible en la carpeta Ficheros de este enlace
Al ejecutar el script
import os
import pandas as pd
from patsy import dmatrices
# Change directory
os.chdir("G:\Py_machine_learning\Ficheros")
df = pd.read_csv("titanic_3.csv")
# Aplicar axis as 1 para eliminar las columnas con las siguientes etiquetas
df = df.drop(["ticket","cabin","name", "Unnamed: 14", "Unnamed: 15", "Unnamed: 16",
"Unnamed: 17", "Unnamed: 18", "Unnamed: 19"], axis=1)
# Eliminamos valores Na
df = df.dropna()
from patsy import dmatrices
formula = "survived ~ C(pclass) + C(sex) + age + sibsp + C(embarked) + parch"
# Crea un diccionario de resultados para mantener nuestros resultados de regresión
# para un fácil análisis posterior
df_train = df.iloc[ 0: 600, : ]
df_test = df.iloc[ 600: , : ]
# Divide los datos en variables dependientes e independientes.
# Crea los conjuntos de datos de entrenamiento y prueba
y_train,x_train = dmatrices(formula, data=df_train, return_type = 'dataframe')
y_test,x_test = dmatrices(formula, data=df_test, return_type = 'dataframe')
me devuelve el error:
ValueError: negative dimensions are not allowed ¿Cuál es la causa de este error?.