我已经搜索了两天，但似乎还是无法找到解决方案。对于一个机器学习回归模型，我需要对某些列进行独热编码。训练数据和模型拟合是在我的本地电脑上进行的。之后，模型将被上传到服务器上进行预测。

问题是新数据不在最初的编码范围内，所以我需要以与学习数据相同的方式在我的电脑上对其进行独热编码。我发现我可以保存编码器（sklearn.preprocessing -> OneHotEncoder）。但我无法将数据转换为正确的格式。

为了更容易理解，这里我创建了一个包含一些非常简单的虚拟数据的笔记本。

# 导入pandas库 import pandas as pd # 初始化列表 data = [['tom', 10], ['nick', 15], ['juli', 14]] # 创建pandas DataFrame df = pd.DataFrame(data, columns = ['Name', 'Age']) # 打印DataFrame df 

输出:

Name Age

tom 10

nick 15

juli 14

# 独热编码 hot_Name = pd.get_dummies(df.Name) X = pd.concat((df[['Age']], hot_Name), axis=1) X 

输出:

Age juli nick tom

10 0 0 1

15 0 1 0

14 1 0 0

# 外部数据 # 初始化列表 data_new = [['michael', 20], ['juli', 45]] # 创建pandas DataFrame df_new = pd.DataFrame(data_new, columns = ['Name', 'Age']) # 打印DataFrame df_new 

输出:

Name Age

michael 20

juli 45

是否有可能以与”data”相同的方式对”data_new”进行编码，并保存编码器以便后续用于实时传入的数据？

预期用于df_new的模型中的独热编码:

Age juli nick tom

20 0 0 0

45 1 0 0

回答：

据我所知，pandas没有暴露一个方法来序列化使用get_dummies完成的编码。我会直接使用OneHotEncoder来编码变量，然后使用joblib来序列化它。

然后在服务器上:

enc = joblib.load('encoder.joblib') data_df = pd.DataFrame(data=data, columns=col_names) enc_df = pd.DataFrame(data=enc.transform(data).toarray(), columns=enc.get_feature_names(col_names), dtype=bool) df = pd.concat([data_df, enc_df], axis=1) 

df的输出:

|   | name | age | name_juli | name_nick | name_tom | age_10 | age_14 | age_15 | 
|---|------|-----|-----------|-----------|----------|--------|--------|--------|
| 0 | tom  | 10  | False     | False     | True     | True   | False  | False  |
| 1 | nick | 15  | False     | True      | False    | False  | False  | True   |
| 2 | juli | 14  | True      | False     | False    | False  | True   | False  |