你需要给予fit和predict两个方法2D数组。您的x_train和x_test当前仅为一维。控制台建议的操作应该有效：

x_train= x_train.reshape(-1, 1)
x_test = x_test.reshape(-1, 1)

这使用numpy的reshape来转换数组。例如，x = [1, 2, 3]可以被转换为矩阵x' = [[1], [2], [3]]（-1给出矩阵的x维，从数组的长度和剩余维度推断，1是y维-给出一个n x 1矩阵，其中n是输入长度）。
关于reshape的问题已经在过去得到了回答，例如，这应该回答reshape(-1,1)的全部含义：What does -1 mean in numpy reshape?（下面的一些答案也很好地解释了这一点）

很多时候在做线性回归问题的时候，人们喜欢想象这个图

在输入上，我们有一个X = [1，2，3，4，5]的X
然而，许多回归问题具有多维输入。以房价预测为例。这不是决定房价的一个属性。它具有多种功能（例如：房间数量、位置等。）
如果查看文档，您将看到以下

它告诉我们行由样本组成，而列由特征组成。

然而，考虑一下当我们有一个特征作为输入时会发生什么。然后我们需要一个n x 1维的输入，其中n是样本的数量，第1列表示我们唯一的特征。
为什么array.reshape(-1, 1)建议有效？-1表示根据所提供的列数选择有效的行数。请参见下图了解它在输入中的变化。

如果您查看LinearRegression of scikit-learn的文档。
fit（X，y，sample_weight=None）
X：numpy数组或shape [n_samples，n_features]的稀疏矩阵
预测（X）
X：{类数组，稀疏矩阵}，形状=（n_samples，n_features）
正如你所看到的，X有2个维度，而as，你的x_train和x_test显然只有一个维度。按照建议，增加：

x_train = x_train.reshape(-1, 1)
x_test = x_test.reshape(-1, 1)

在拟合和预测模型之前。

使用

y_pred = regressor.predict([[x_test]])

我建议在开始时重塑X，然后再将其拆分为训练和测试数据集：

import pandas as pd
import matplotlib as pt

#import data set

dataset = pd.read_csv('Sample-data-sets-for-linear-regression1.csv')
x = dataset.iloc[:, 1].values
y = dataset.iloc[:, 2].values
# Here is the trick
x = x.reshape(-1,1)

#Spliting the dataset into Training set and Test Set
from sklearn.cross_validation import train_test_split
x_train, x_test, y_train, y_test = train_test_split(x, y, test_size= 0.2, random_state=0)

#linnear Regression

from sklearn.linear_model import LinearRegression

regressor = LinearRegression()
regressor.fit(x_train,y_train)

y_pred = regressor.predict(x_test)

这是我用的

X_train = X_train.values.reshape(-1, 1)
y_train = y_train.values.reshape(-1, 1)
X_test = X_test.values.reshape(-1, 1)
y_test = y_test.values.reshape(-1, 1)

这就是解决办法

regressor.predict([[x_test]])

对于多项式回归：

regressor_2.predict(poly_reg.fit_transform([[x_test]]))

修改

regressor.fit(x_train,y_train)
y_pred = regressor.predict(x_test)

到

regressor.fit(x_train.values.reshape(-1,1),y_train)
y_pred = regressor.predict(x_test.values.reshape(-1,1))