scikit-learn：如果经过一次热编码后它的特征少于训练/测试集，如何预测新数据

Question

我正在尝试在我的第一个 ML 项目中使用 scikit-learn，将其 DecisionTreeClassifier 与包含数字和分类特征的数据样本一起使用，例如：['High', 33, '不'，4]。

我已经到了能够做到的地步。

1. 从 .csv 文件中读取训练和测试数据。

   physio = pd.read_csv('data.csv', header=None, names=['HR', 'M', 'T', 'W', 'D'])

2. 提取目标类：
   labels = physio.pop('D')

3. 使用pandas.get_dummies 对分类特征进行一次热编码。这也将特征数量从 4 个增加到 6 个（因为 'HR' 和 'T' 分别变为 'HR_High'/'HR_Low' 和 'T_Yes'/'T_No'）

   for col in physio.dtypes[physio.dtypes == 'object'].index:
       for_dummy = physio.pop(col)
       physio = pd.concat([physio, pd.get_dummies(for_dummy, prefix=col)], axis=1)
   

4. 将集合拆分为训练和测试子集。

   x_train, x_test, y_train, y_test = train_test_split(physio, labels, test_size=0.25)
   

5. 实例化并拟合树

   dt = DecisionTreeClassifier(max_depth=8, min_samples_split=.3, min_samples_leaf=.26, max_features=4)
   dt.fit(x_train, y_train)
   

6. 在第一次测试拆分中对测试集进行分类

   y_pred = dt.predict(x_test)
   

7. 并使用y_test和y_pred使用混淆矩阵（也是ROC的AUC）评估分类

   conf_matrix = confusion_matrix(y_true=y_test, y_pred=y_pred, labels=['Yes', 'No'])
   

如果我使用了错误的术语，我很抱歉，但是，现在我正在尝试做这一切应该做的事情，即对传入的数据进行分类，不幸的是，这是我见过的所有教程的落脚点简而言之，一旦所有拆分、训练和测试都发生了，他们就永远不会进入对新数据进行分类的程序部分。

我天真地尝试过的方式：

8. 由于实际数据将来自命令行参数，我想我会将它们存储在一个数组中并将其传递给 DataFrame。

   newSample = [['Low', 2, 'No', 8]]
   newSampleDF = pd.DataFrame(newSample, columns=['HR', 'M', 'T', 'W'])
   

9. 然后我尝试对其进行单热编码。这就是问题出现的地方，因为在编码完成后，仍然有 4 个特征，因为只是一个数据样本，它对“高”和“是”一无所知，所以“HR”和“T”就变成了“ HR_Low' 和 'T_No' 分别

   for col in newSampleDF.dtypes[newSampleDF.dtypes == 'object'].index:
       for_dummy = newSampleDF.pop(col)
       newSampleDF = pd.concat([newSampleDF, pd.get_dummies(for_dummy, prefix=col)], axis=1)
   

当我打印 newSampleDF 时，它显示：

M  W  HR_Low  T_No
2  8    1      1

而我试图对其进行分类的数据的形式是

 M   W  HR_High  HR_Low  T_No  T_Yes
12  48     0       1      0      1

这就是我收到错误的原因：

ValueError：模型的特征数量必须与输入匹配。模型 n_features 为 6，输入 n_features 为 4

这是不言自明的，我只是不知道如何解决它。如何让我的新数据以意识到缺失值的方式编码，在这种情况下为“高”和“是”。

我希望我是有道理的，请随时指出错误和改进，但请记住，第一次来这里。

谢谢

Answer 1

我认为整个方法有点问题。我们不需要使用pd.get_dummies，因为我们已经知道类别列。那我们为什么不直接使用呢？

因此我更喜欢以下解决方案：

import pandas as pd

cats = ["HR", "T"]

training_data = pd.DataFrame([[12, 48, 0, 1, 0, 1]], columns=["M","W", "HR_High", "HR_Low", "T_No", "T_Yes"])

raw_cols = ['HR', 'M', 'T', 'W']
newSample = [['Low', 2, 'No', 8]]
newSampleDF = pd.DataFrame(newSample, columns=raw_cols)

cols = ["M","W", "HR_High", "HR_Low", "T_No", "T_Yes"]
template = pd.DataFrame([6 * [None]], columns=cols)

for col in raw_cols:
    if col in cats:
        template.loc[0, col + "_" + newSampleDF.loc[0, col]] = 1
    else:
        template.loc[0, col] = newSampleDF.loc[0, col]

# replace Nans with 0
newSampleDF = template.fillna(0)
print(newSampleDF)

输出：

   M  W  HR_High  HR_Low  T_No  T_Yes
0  2  8        0       1     1      0