我正在尝试构建一个模型，结合来自数据框的数值特征和文本特征。然而，我在成功地组合这些特征、使用这些特征进行训练，然后测试这些特征时遇到了很多麻烦。

目前，我正在尝试使用DataFrameMapper如下所示：

from sklearn.feature_extraction.text import TfidfTransformerfrom sklearn_pandas import DataFrameMappermapper = DataFrameMapper([     ('body', TfidfVectorizer()),     ('numeric_feature', None), ]) for train_index, test_index in kFold.split(DF['body']):    # 使用Kfold分割数据集    X_train = even_rand[['body','numeric_feature']].iloc[train_index]    y_train = even_rand['sub_class'].iloc[train_index]    X_test = even_rand[['body','numeric_feature']].iloc[test_index]    y_test = even_rand['sub_class'].iloc[test_index]    # 向量化/转换文档    X_train = mapper.fit_transform(X_train)    X_test = mapper.fit_transform(X_test)    # 获取SVM    svm = SGDClassifier(loss='hinge', penalty='l2',                                            alpha=1e-3, n_iter=5, random_state=10)    svm.fit(X_train, y_train)    svm_score = svm.score(X_test, y_test)

这种方法成功地结合了数据并对数据进行了训练，但是当我尝试测试数据时，特征似乎无法正确匹配，我得到了以下错误：

ValueError: X has 49974 features per sample; expecting 87786

有谁知道如何解决这个问题，或者知道更好的方法来结合/训练/测试数值和文本特征？我也希望尽可能保持特征为稀疏矩阵。

回答：

而不是：

X_train = mapper.fit_transform(X_train)X_test = mapper.fit_transform(X_test) 

尝试：

X_train = mapper.fit_transform(X_train)X_test = mapper.transform(X_test) # 将fit_transform改为transform