假设我有一个看起来像这样的dataframe：

import pandas as pd
import numpy as np

vectors = pd.Series([[1.0, 2.0, 3.0], [0.5, 1.5, 2.5], [0.1, 1.1, 2.1]], name='vector')
output = pd.Series([True, False, True], name='target')

data = pd.concat((vectors, output), axis=1)

data看起来像这样：一系列浮点数列表和一系列布尔值：

vector  target
0  [1.0, 2.0, 3.0]    True
1  [0.5, 1.5, 2.5]   False
2  [0.1, 1.1, 2.1]    True

现在，我想在向量之上拟合一个简单的scikit-learn LogisticRegression模型来预测目标输出。

from sklearn.linear_model import LogisticRegression

clf = LogisticRegression()
clf.fit(X=data['vector'], y=data['target'])

这不起作用，出现错误：

ValueError: setting an array element with a sequence

我首先尝试将向量数据转换为np数组，使用

data['vector'].apply(np.array)

但这会产生与之前相同的错误。
我可以通过执行以下命令使它工作：

input_vectors = np.array(data['vector'].to_list())
clf.fit(X=input_vectors, y=data['target'])

但这看起来相当笨拙和庞大-我把整个pandas数组变成一个列表，然后把它变成一个numpy数组。
我想知道这里是否有更好的方法将这种数据格式转换为scikit-learn可以接受的格式。实际上，我的数据集要大得多，这种转换是昂贵的。考虑到scikit-learn和pandas通常是多么兼容，我想我可能错过了一些东西。