我使用 pandas 的 get_dummies 函数将分类变量转换为虚拟/指示变量，这会在数据集中引入新的特征。然后我们将这个数据集拟合/训练到模型中。

由于 X_train 和 X_test 的维度保持相同，当我们对测试数据进行预测时，它可以很好地处理测试数据 X_test。

现在假设我们有另一份 csv 文件中的测试数据（具有未知输出）。当我们使用 get_dummies 转换这组测试数据时，生成的数据集可能没有与我们训练模型时相同的特征数量。后来当我们用这个数据集使用我们的模型时，它会失败，因为测试集中的特征数量与模型的特征数量不匹配。

有什么办法可以处理这种情况吗？

代码：

import pandas as pdfrom sklearn.tree import DecisionTreeClassifierfrom sklearn.model_selection import train_test_split# 加载数据集in_file = 'train.csv'full_data = pd.read_csv(in_file)outcomes = full_data['Survived']features_raw = full_data.drop('Survived', axis = 1)features = pd.get_dummies(features_raw)features = features.fillna(0.0)X_train, X_test, y_train, y_test = train_test_split(features, outcomes, test_size=0.2, random_state=42)model = DecisionTreeClassifier(max_depth=50,min_samples_leaf=6,min_samples_split=2)model.fit(X_train,y_train)y_train_pred = model.predict(X_train)#print (X_train.shape)y_test_pred = model.predict(X_test)from sklearn.metrics import accuracy_scoretrain_accuracy = accuracy_score(y_train, y_train_pred)test_accuracy = accuracy_score(y_test, y_test_pred)print('训练准确率为', train_accuracy)print('测试准确率为', test_accuracy)# 再次进行以测试另一组数据test_data = 'test.csv'test_data1 = pd.read_csv(test_data)test_data2 = pd.get_dummies(test_data1)test_data3 = test_data2.fillna(0.0)print(test_data2.shape)print (model.predict(test_data3))

回答：

似乎之前已经有人问过类似的问题，但最有效/最简单的方法是按照 Thibault Clement 在 这里 描述的方法进行操作

# 获取训练测试中缺失的列missing_cols = set( X_train.columns ) - set( X_test.columns )# 在测试集中添加缺失的列，默认值设为0for c in missing_cols:    X_test[c] = 0# 确保测试集中的列顺序与训练集中的列顺序相同X_test = X_test[X_train.columns]

还值得注意的是，您的模型只能使用它训练时使用的特征，因此如果 X_test 相对于 X_train 有多余的列而不是少列，那么在预测之前必须删除这些多余的列。