如何预测特征数量与测试集中可用特征数量不匹配？

Question

我正在使用pandas的get_dummies将分类变量转换为虚拟/指示变量，它在数据集中引入了新特征。然后我们将这个数据集拟合/训练到一个模型中。

由于X_train和X_test的维度保持不变，因此当我们对测试数据进行预测时，它能够与测试数据X_test很好地配合使用。

现在假设我们有另一个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，生成的数据集可能与我们训练模型时使用的特征数量不同。稍后当我们使用我们的模型处理这个数据集时，它会失败，因为测试集中的特征数与模型的特征数不匹配。

有什么想法如何处理这个问题吗？

代码：

import pandas as pd
from sklearn.tree import DecisionTreeClassifier
from sklearn.model_selection import train_test_split

# Load the dataset
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_score
train_accuracy = accuracy_score(y_train, y_train_pred)
test_accuracy = accuracy_score(y_test, y_test_pred)
print('The training accuracy is', train_accuracy)
print('The test accuracy is', test_accuracy)

# DOing again to test another set of data
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))

- Rohit Shekhar

Answer 1

看起来之前有类似的问题被问过，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。

# Get missing columns in the training test
missing_cols = set( X_train.columns ) - set( X_test.columns )
# Add a missing column in test set with default value equal to 0
for c in missing_cols:
    X_test[c] = 0
# Ensure the order of column in the test set is in the same order than in train set
X_test = X_test[X_train.columns]

值得注意的是，您的模型只能使用其训练过的特征。因此，如果 X_test 比 X_train 多了其他列，那么在进行预测之前，这些列必须被移除。

- bamdan