我对SciKit以及Python中的线性代数/机器学习还比较陌生，所以我无法解决以下问题：
我有一组训练数据和测试数据，包含连续和离散/分类值。这些CSV文件被加载到Pandas DataFrame中，并且形状匹配，分别为(1460,81)和(1459,81)。然而，在使用Pandas的get_dummies后，DataFrame的形状变为(1460, 306)和(1459, 294)。因此，当我使用SciKit线性回归模块进行线性回归时，它会为306个变量构建模型，并尝试用只有294个变量的数据进行预测。这自然会导致以下错误：
ValueError: shapes (1459,294) and (306,1) not aligned: 294 (dim 1) != 306 (dim 0)我该如何解决这个问题？我能否以某种方式将(1459, 294)重塑以匹配另一个？
谢谢，希望我已经表达清楚了:)
回答：
在处理分类数据时，这是一个非常常见的问题。对于如何最好地处理这个问题，存在不同的观点。
一种可能的方法是对分类特征应用一个函数，以限制可能选项的集合。例如，如果你的特征包含字母表的字母，你可以为A、B、C、D和’其他/未知’编码特征。这样，你可以在测试时应用相同的函数，并从问题中抽象出来。当然，一个明显的缺点是，通过减少特征空间，你可能会丢失有意义的信息。
另一种方法是在你的训练数据上构建模型，使用自然生成的任何虚拟变量，并将其作为模型的基线。当你在测试时使用模型进行预测时，你以与训练数据相同的方式转换测试数据。例如，如果你的训练集在某个特征中包含字母表的字母，而测试集中的相同特征包含值’AA’，你会在进行预测时忽略它。这与你当前的情况相反，但前提是相同的。你需要即时创建缺失的特征。当然，这种方法也有缺点。
你提到的第二种方法，所以我将用pandas来详细说明。
通过使用get_dummies，你将分类特征编码为多个独热编码特征。你可以强制测试数据与训练数据匹配，使用reindex，如下所示：
test_encoded = pd.get_dummies(test_data, columns=['your columns'])test_encoded_for_model = test_encoded.reindex(columns = training_encoded.columns, fill_value=0)这将以与训练数据相同的方式编码测试数据，对于在编码测试数据时未创建但在训练过程中创建的虚拟特征，用0填充。
你可以将此封装成一个函数，并在测试数据上即时应用。你不需要将编码后的训练数据保存在内存中（我通过training_encoded.columns访问），如果你创建了一个列名的数组或列表即可。
