当前位置: 首页 > news >正文

AssertionError: 618 columns passed, passed data had 508 columns【已解决】

问题描述

程序中断,报错如下AssertionError: 618 columns passed, passed data had 508 columns

Exception has occurred: ValueError
618 columns passed, passed data had 508 columns
AssertionError: 618 columns passed, passed data had 508 columnsThe above exception was the direct cause of the following exception:File "E:\matlab\CHB-MIT-DATA\epilepsy_eeg_classification\preprocessing.py", line 117, in eeg_preprocessingres = pd.DataFrame(res, columns=column_names)File "E:\matlab\CHB-MIT-DATA\epilepsy_eeg_classification\preprocessing.py", line 334, in <module>res = eeg_preprocessing(file, seizures)
ValueError: 618 columns passed, passed data had 508 columns

 terminal报错如下:

Backend Qt5Agg is interactive backend. Turning interactive mode on.

 

弯路

numpy1.19.4改为了numpy1.21.6

pip list: numpy1.21.6

conda list: numpy1.20.1

发现,报错仍旧一样,没有任何改变。

我的怀疑是数据里面有nan值,而程序中并没有处理的方法,是丢弃是补充为0还是补充为平均值。因为如果丢弃的话。

我发现numpy版本不对,卸载的时候,报错说:

PackageNotInstalledError: Package is not installed in prefix

于是我使用

conda udate numpy

报错如下:

(base) PS E:\matlab> conda update numpy
Collecting package metadata (repodata.json): done
Solving environment: -
The environment is inconsistent, please check the package plan carefully
The following packages are causing the inconsistency:- defaults/win-64::anaconda==custom=py37_1- https://repo.anaconda.com/pkgs/main/win-64::bkcharts==0.2=py37_0- https://repo.anaconda.com/pkgs/main/win-64::blaze==0.11.3=py37_0- https://repo.anaconda.com/pkgs/main/win-64::bokeh==0.13.0=py37_0- https://repo.anaconda.com/pkgs/main/win-64::dask==0.19.1=py37_0- https://repo.anaconda.com/pkgs/main/win-64::numpydoc==0.8.0=py37_0- https://repo.anaconda.com/pkgs/main/win-64::odo==0.5.1=py37_0- https://repo.anaconda.com/pkgs/main/win-64::seaborn==0.9.0=py37_0- https://repo.anaconda.com/pkgs/main/win-64::sphinx==1.7.9=py37_0- https://repo.anaconda.com/pkgs/main/win-64::spyder==3.3.1=py37_1- https://repo.anaconda.com/pkgs/main/win-64::statsmodels==0.9.0=py37h452e1ab_0- defaults/win-64::_anaconda_depends==5.3.1=py37_0
failedCondaMemoryError: The conda process ran out of memory. Increase system memory and/or try again.

有人说可以直接退到base环境更新conda。

(base) PS E:\matlab> conda update --name base conda
Collecting package metadata (repodata.json): done
Solving environment: |
The environment is inconsistent, please check the package plan carefully
The following packages are causing the inconsistency:- defaults/win-64::anaconda==custom=py37_1- https://repo.anaconda.com/pkgs/main/win-64::bkcharts==0.2=py37_0- https://repo.anaconda.com/pkgs/main/win-64::blaze==0.11.3=py37_0- https://repo.anaconda.com/pkgs/main/win-64::bokeh==0.13.0=py37_0- https://repo.anaconda.com/pkgs/main/win-64::dask==0.19.1=py37_0- https://repo.anaconda.com/pkgs/main/win-64::numpydoc==0.8.0=py37_0- https://repo.anaconda.com/pkgs/main/win-64::odo==0.5.1=py37_0- https://repo.anaconda.com/pkgs/main/win-64::seaborn==0.9.0=py37_0- https://repo.anaconda.com/pkgs/main/win-64::sphinx==1.7.9=py37_0- https://repo.anaconda.com/pkgs/main/win-64::spyder==3.3.1=py37_1- https://repo.anaconda.com/pkgs/main/win-64::statsmodels==0.9.0=py37h452e1ab_0- defaults/win-64::_anaconda_depends==5.3.1=py37_0
failedCondaMemoryError: The conda process ran out of memory. Increase system memory and/or try again.

conda update conda,conda update numpy,conda update --name base conda,在cat(自建虚拟环境)和base里都报错:

CondaMemoryError: The conda process ran out of memory. Increase system memory and/or try again.

还有的朋友建议:

conda update conda -c conda-canary

但是仍旧不行,报错如下,和前面的报错也一样。 

CondaMemoryError:conda 进程内存不足答案 - 爱码网

更新anaconda的版本也报同样的错:

(base) PS E:\matlab> conda update anaconda
Collecting package metadata (repodata.json): done
Solving environment: \
The environment is inconsistent, please check the package plan carefully
The following packages are causing the inconsistency:- defaults/win-64::anaconda==custom=py37_1- https://repo.anaconda.com/pkgs/main/win-64::bkcharts==0.2=py37_0- https://repo.anaconda.com/pkgs/main/win-64::blaze==0.11.3=py37_0- https://repo.anaconda.com/pkgs/main/win-64::bokeh==0.13.0=py37_0- https://repo.anaconda.com/pkgs/main/win-64::dask==0.19.1=py37_0- https://repo.anaconda.com/pkgs/main/win-64::numpydoc==0.8.0=py37_0- https://repo.anaconda.com/pkgs/main/win-64::odo==0.5.1=py37_0- https://repo.anaconda.com/pkgs/main/win-64::seaborn==0.9.0=py37_0- https://repo.anaconda.com/pkgs/main/win-64::sphinx==1.7.9=py37_0- https://repo.anaconda.com/pkgs/main/win-64::spyder==3.3.1=py37_1- https://repo.anaconda.com/pkgs/main/win-64::statsmodels==0.9.0=py37h452e1ab_0- defaults/win-64::_anaconda_depends==5.3.1=py37_0
failedCondaMemoryError: The conda process ran out of memory. Increase system memory and/or try again.

找到好久找到了一个解决方案:

 https://github.com/conda/conda/issues/10751

解决方案

说到最后实在是稀松平常,我检查了一下程序逻辑。我发现在传递参数的过程中。

  File "E:\matlab\CHB-MIT-DATA\epilepsy_eeg_classification\preprocessing.py", line 117, in eeg_preprocessing
    res = pd.DataFrame(res, columns=column_names)
  File "E:\matlab\CHB-MIT-DATA\epilepsy_eeg_classification\preprocessing.py", line 334, in <module>

虽然报错在117处,但是,实际上在传递的这两个数据处,通过debug的方式,发现获取的数据的列数要大于实际列数。那是因为,信号的channel变化的,而不是23个固定不变的,所以,只需要把这个固定的23改为,len(channel)就能获取到具体的数字。

        for i in range(23):features.extend(eeg_features(temp[i]).tolist())

改为

        for i in range(len(channels)):features.extend(eeg_features(temp[i]).tolist())

即可。

需要特别说明的是,conda创建的虚拟环境不要胡乱删除,否则会报很多错,你可以根据报错内容删除一些相应的文件,但是不能删除过多的文件。否则会报无数的错误。

这会让你非常头疼。这三篇文章都是我删错文件报错的。

 你会发现你无意中删除了一些包的依赖,这就麻烦了。

另外,我的程序报错或许和你的虽然报错一样,但是具体错误的地方不一样,这个时候,你就要好好检查你生成的数据和列名是否符合情况。可以参考这篇文章来看看,或许能够解决你的错误:

已解决ValueError: 4 columns passed, passed data had 2 columns_无 羡ღ的博客-CSDN博客

参考文章

Packagenotinstallederror:未安装在前缀中 - IT宝库

相关文章:

AssertionError: 618 columns passed, passed data had 508 columns【已解决】

问题描述 程序中断&#xff0c;报错如下AssertionError: 618 columns passed, passed data had 508 columns Exception has occurred: ValueError 618 columns passed, passed data had 508 columns AssertionError: 618 columns passed, passed data had 508 columnsThe abo…...

166_技巧_Power BI 窗口函数处理连续发生业务问题

166_技巧_Power BI 窗口函数处理连续发生业务问题 一、背景 在生产经营的数据监控中&#xff0c;会有一类指标需要监控是否连续发生&#xff0c;从而根据其在设定区间中的连续频次来评价业务。 例如&#xff1a; 员工连续迟到天数。销售金额连续上升或者下降。用户连续登陆…...

电子科技大学人工智能期末复习笔记(五):机器学习

目录 前言 监督学习 vs 无监督学习 回归 vs 分类 Regression vs Classification 训练集 vs 测试集 vs 验证集 泛化和过拟合 Generalization & Overfitting 线性分类器 Linear Classifiers 激活函数 - 概率决策 ⚠线性回归 决策树 Decision Trees 决策树构建递归…...

使用DDD指导业务设计的总结思考

领域驱动设计&#xff08;DDD&#xff09; 是 Eric Evans 提出的一种软件设计方法和思想&#xff0c;主要解决业务系统的设计和建模。DDD 有大量难以理解的概念&#xff0c;尤其是翻译的原因&#xff0c;某些词汇非常生涩&#xff0c;例如&#xff1a;模型、限界上下文、聚合、…...

面试官问:如何确保缓存和数据库的一致性?

如果你对这个问题有过研究&#xff0c;应该可以发现这个问题其实很好回答&#xff0c;如果第一次听到或者第一次遇到这个问题&#xff0c;估计会有点懵&#xff0c;今天我们来聊聊这个话题。 1、问题分析 首先我们来看看为什么会有这个问题&#xff01; 我们在日常开发中&am…...

16.数据库Redis

一、基本概念 Redis&#xff08;Remote Dictionary Server&#xff09;译为“远程字典服务”&#xff0c;它是一款基于内存实现的键值型 NoSQL 数据库&#xff0c; 通常也被称为数据结构服务器&#xff0c;这是因为它可以存储多种数据类型&#xff0c;比如 string&#xff08;字…...

【Redis高级-集群分片】

单机安装Redis首先需要安装Redis所需要的依赖&#xff1a;yum install -y gcc tclRedis安装包上传到虚拟机的任意目录&#xff1a;我放到了/tmp目录&#xff1a;解压缩&#xff1a;tar -zxvf /tmp/redis-6.2.4.tar.gz -C /tmp解压后&#xff1a;进入redis目录&#xff1a;cd /t…...

CSDN - CSDN27题解

文章目录幸运数字题目描述解题思路AC代码投篮题目描述解题思路AC代码通货膨胀-x国货币题目描述解题思路AC代码最后一位题目描述解题思路AC代码CSDN编程竞赛报名地址&#xff1a;https://edu.csdn.net/contest/detail/41 这次题目描述刚开始好像有些问题&#xff0c;之后被修正了…...

docker拉取mysql

搜索mysql版本docker search mysql搜索获赞数(星星数量) 大于 1000 的镜像docker search --filterstars1000 mysql搜索官方发布的版本docker search --filter is-officialtrue mysql搜索版本号docker search mysql57拉取docker pull devbeta/mysql57查看下载镜像docker images启…...

在Linux上安装Python3

记录&#xff1a;373场景&#xff1a;在CentOS 7.9操作系统上&#xff0c;安装Python-3.8.9环境。版本&#xff1a;JDK 1.8 Python-3.8.9官网地址&#xff1a;https://www.python.org下载地址&#xff1a;https://www.python.org/ftp/python/1.安装基础依赖1.1安装gcc(1)安装命…...

23 种设计模式的通俗解释,看完秒懂

01 工厂方法 追 MM 少不了请吃饭了&#xff0c;麦当劳的鸡翅和肯德基的鸡翅都是 MM 爱吃的东西&#xff0c;虽然口味有所不同&#xff0c;但不管你带 MM 去麦当劳或肯德基&#xff0c;只管向服务员说「来四个鸡翅」就行了。麦当劳和肯德基就是生产鸡翅的 Factory 工厂模式&…...

如何做好需求管理?经验方法、模型、工具

需求管理能力是衡量产品经理能力的一个重要指标。因为需求是产品的基石&#xff0c;只有选取恰当的方法进行需求分析及管理&#xff0c;才能更好的构建产品方案&#xff0c;从而输出精准的产品定义。结合本人学习和自身经验&#xff0c;打算将需求管理分”需求挖掘”、”需求分…...

怎么用期货做风险对冲(如何利用期货对冲风险)

不同期货市场的同一期货品种的对冲交易怎么做 不同 期货市场 的同一期货品种的 对冲交易 。 因为地域和 制度环境 不同&#xff0c;同一种期货品种在不同市场的同一时间的价格很可能是不一样的&#xff0c;并且也是在不断变化的。 这样在一个市场做多头买进&#xff0…...

C++标准模板库type_traits源码剖析

一、type_traits源码介绍 1、type_traits是C11提供的模板元基础库。 2、type_traits可实现在编译期计算。包括添加修饰、萃取、判断查询、类型推导等等功能。 3、type_traits提供了编译期的true和false。 二、type_traits的作用 1、根据不同类型&#xff0c;模板匹配不同版本…...

Python获取公众号(pc客户端)数据,使用Fiddler抓包工具

前言 嗨喽~大家好呀&#xff0c;这里是魔王呐 ❤ ~! 今天来教大家如何使用Fiddler抓包工具&#xff0c;获取公众号&#xff08;PC客户端&#xff09;的数据。 Fiddler是一个http协议调试代理工具&#xff0c;它能够记录并检查所有你的电脑和互联网之间的http通讯&#xff0c;…...

Maven进阶

这里写目录标题1.分模块开发1.1 模块更新后,会造成的影响2.依赖管理2.1 依赖传递2.2 可选依赖(隐藏自己的依赖,不让别人用)2.3 排除依赖(用别人的资源,把不用的去了)3.聚合与继承3.1 为什么要使用聚合工程?3.2 聚合工程开发2.1 聚合工程三级目录1.分模块开发 我们之前做的项目…...

AXI实战(一)-为AXI总线搭建简单的仿真测试环境

AXI实战(一)-搭建简单仿真环境 看完在本文后,你将可能拥有: 一个可以仿真AXI/AXI_Lite总线的完美主端(Master)或从端(Slave)一个使用SystemVerilog仿真模块的船信体验小何的AXI实战系列开更了,以下是初定的大纲安排: 欢迎感兴趣的朋友关注并支持,以下为正文部分 文章目录…...

数据库管理-第五十六期 监控(20230210)

数据库管理 2023-02-10第五十六期 监控1 怎么监控2 直观3 历史分析4 另一个BUG总结第五十六期 监控 春节后的7天班过后就来到了2月份&#xff0c;本周对之前发现X8M上的那个bug进行补丁修复和协助从12.2迁移了一套PDB到这个一体机上面&#xff0c;2次割接。这周还和原厂老大哥…...

测试开发,测试架构师为什么能拿50 60k呢需要掌握哪些技能呢

这篇文章是软件工程系列知识总结的第五篇&#xff0c;同样我会以自己的理解来阐述软件工程中关于架构设计相关的知识。相比于我们常见的研发架构师&#xff0c;测试架构师是近几年才出现的一个岗位&#xff0c;当然岗位title其实没有特殊的含义&#xff0c;在我看来测试架构师其…...

Miniblink 入门

miniblink官网&#xff1a;入门之前强烈建议将Miniblink介绍仔细看一遍。 MB内核组件标准版接口文档&#xff1a;这里列举了所有的api以及简单的说明&#xff0c;但是本人建议还是看wke.h更方便&#xff0c;里面都是宏实现的&#xff0c;直接搜相关函数即可。 mb demo下载和参…...

TimesFM 2.5架构深度解析:革命性预训练模型如何颠覆传统时间序列预测

TimesFM 2.5架构深度解析&#xff1a;革命性预训练模型如何颠覆传统时间序列预测 【免费下载链接】timesfm TimesFM (Time Series Foundation Model) is a pretrained time-series foundation model developed by Google Research for time-series forecasting. 项目地址: ht…...

考研复习 Day13| 数据结构与算法--线性表

一、线性表的定义和基本操作1.1 线性表的定义线性表&#xff1a;由 n(n≥0) 个相同数据类型的元素组成的有限序列。表示形式&#xff1a;L (a₁, a₂, , aᵢ, aᵢ₊₁, , aₙ)术语说明n表长&#xff1b;n0 时为空表a₁表头元素&#xff08;唯一的“第一个”元素&#xff09;aₙ…...

汇川AM401 PLC 2ms高速采集实战:用PLC-Recorder V2.12.7搞定UDP时间戳(附完整CODESYS程序)

汇川AM401 PLC 2ms高速采集实战&#xff1a;UDP时间戳与PLC-Recorder深度整合指南 在工业自动化领域&#xff0c;毫秒级的数据采集已成为设备状态监控与工艺优化的基础需求。汇川AM401系列PLC搭配PLC-Recorder软件的组合&#xff0c;为工程师提供了经济高效的高速数据采集解决方…...

CANoe回灌报文信号值修改实战:用CAPL脚本动态调整Replay模块回放数据(附完整代码)

CANoe回灌报文信号值动态修改实战指南&#xff1a;CAPL脚本深度解析与代码优化 在汽车电子测试领域&#xff0c;回灌测试&#xff08;Replay Test&#xff09;是验证控制器逻辑的重要手段。但实际工作中&#xff0c;工程师常遇到这样的困境&#xff1a;精心录制的BLF文件中的某…...

美团二面挂了!被问“1 亿行数据深分页”,我只答了 LIMIT,面试官:跳到第 1 万页系统崩了你负责?

1 亿行数据下的 LIMIT 1000000, 20是 MySQL 的“自杀行为”。本文深度拆解深分页导致生产宕机的底层逻辑&#xff0c;从索引覆盖、子查询延迟关联到“寻址偏移”彻底消除。带你掌握大厂处理海量数据的核心策略&#xff0c;文末附面试模板。写在开头昨天有个粉丝跟我复盘&#x…...

给STM32F103的4.3寸屏找个新UI:手把手移植LVGL 7.11(附正点原子驱动适配)

为STM32F103打造现代UI&#xff1a;LVGL 7.11移植实战与正点原子驱动深度适配 在嵌入式开发领域&#xff0c;用户界面(UI)的设计往往面临资源有限与体验要求的双重挑战。传统解决方案如EMWIN或简单LCD驱动虽能完成任务&#xff0c;却难以满足现代交互设计的需求。LVGL(Light an…...

Python实战:Intel RealSense D435i多模态数据采集与可视化全流程解析

1. 环境准备与设备连接 第一次接触Intel RealSense D435i时&#xff0c;我也被它丰富的传感器配置惊艳到了。这款深度相机不仅能采集彩色图像&#xff0c;还能同步获取深度图和左右红外图像&#xff0c;非常适合做三维重建、手势识别等应用。不过刚开始用Python操作它时&#x…...

别再乱选算法了!Halcon圆拟合算子fit_circle_contour_xld的6种算法深度评测与避坑指南

Halcon圆拟合算法实战指南&#xff1a;6种核心算法性能对比与选型策略 在工业视觉检测领域&#xff0c;圆轮廓拟合是基础却至关重要的环节。许多开发者习惯性使用默认的algebraic算法&#xff0c;却不知Halcon提供的fit_circle_contour_xld算子实际上包含6种不同的拟合算法&…...

如何利用Bootstrap实现高效用户体验监控:从行为收集到数据分析的完整指南

如何利用Bootstrap实现高效用户体验监控&#xff1a;从行为收集到数据分析的完整指南 【免费下载链接】bootstrap The most popular HTML, CSS, and JavaScript framework for developing responsive, mobile first projects on the web. 项目地址: https://gitcode.com/GitH…...

Criterion.rs内存性能测试终极指南:如何准确测量Rust代码的内存表现

Criterion.rs内存性能测试终极指南&#xff1a;如何准确测量Rust代码的内存表现 【免费下载链接】criterion.rs Statistics-driven benchmarking library for Rust 项目地址: https://gitcode.com/gh_mirrors/cr/criterion.rs Criterion.rs是Rust生态中一款强大的统计驱…...