如何确保训练好的Random Forest对7月全量员工数据集完成预测？

一、检查并处理7月数据的缺失值/异常值 #

模型预测时会自动跳过含缺失值的样本，这是导致仅覆盖30%员工的常见原因。

• 先查看各特征的缺失值比例：

# 输出每个特征的缺失值数量及占比
print(merged_df_pred[ml_cols].isnull().sum())
print(merged_df_pred[ml_cols].isnull().sum() / len(merged_df_pred))

• 根据特征类型填充缺失值：

# 数值型特征用中位数填充
num_cols = ['age','months tenure','salary_deviation','review_rating','satisfaction score','ytd commission','Sales Activities','DurationOfSalesCall','MileageOfSalesCall','Referrals','Admits']
merged_df_pred[num_cols] = merged_df_pred[num_cols].fillna(merged_df_pred[num_cols].median())

# 类别型特征用众数填充
cat_cols = ['term reason enc','color_rating']
merged_df_pred[cat_cols] = merged_df_pred[cat_cols].fillna(merged_df_pred[cat_cols].mode().iloc[0])

二、确保7月数据与训练集特征完全对齐 #

训练时的特征列、数据类型、类别取值必须和7月数据完全匹配：

• 核对列名：检查ml_cols中的列名是否和训练集X的列名完全一致（注意空格、大小写差异，比如months tenure是否被误写为months_tenure）
• 核对数据类型：

# 对比训练集与7月数据的特征类型
print("训练集特征类型：\n", X.dtypes)
print("7月数据特征类型：\n", merged_df_pred[ml_cols].dtypes)

若存在类型不匹配，统一转换为训练集的类型：

# 示例：将类别特征转换为整数类型
merged_df_pred['term reason enc'] = merged_df_pred['term reason enc'].astype(int)

• 核对类别特征取值：若7月数据出现训练集未见过的类别，模型会跳过该样本，需统一映射到已有类别：

# 获取训练集的类别取值范围
train_color_cats = X['color_rating'].unique()
# 将7月数据中不在训练集的类别替换为众数
merged_df_pred['color_rating'] = merged_df_pred['color_rating'].apply(lambda x: x if x in train_color_cats else merged_df_pred['color_rating'].mode().iloc[0])

三、同步训练与预测的预处理流程 #

如果训练时对数据做了标准化、编码等预处理，7月数据必须使用同一套预处理规则（不能重新拟合）：
比如训练时用了标准化：

# 训练时的预处理（仅拟合训练数据）
from sklearn.preprocessing import StandardScaler
scaler = StandardScaler()
X_resampled = scaler.fit_transform(X_resampled)

# 预测时直接复用训练好的scaler转换7月数据
X_pred = scaler.transform(merged_df_pred[ml_cols])

四、验证预测覆盖情况 #

处理完成后运行预测代码，验证样本数量是否匹配：

y_pred = rf.predict(X_pred)
print(f"预测样本数：{len(y_pred)}，7月总员工数：{len(merged_df_pred)}")

若两者数值相等，说明已覆盖全部180名员工。

内容的提问来源于stack exchange，提问作者Hardik Trivedi