在XGBoost中使用分类数据时，如何保留训练阶段的隐式编码映射以保证预测一致性？

你遇到的问题其实是XGBoost处理分类特征时的一个常见坑：训练时它会对分类特征做隐式的字典编码（把训练数据里的分类值映射成0、1、2...这类整数），但预测时如果新数据的分类特征没有和训练数据保持一致的类别体系，XGBoost就会重新编码，导致映射错位，结果自然不对。

下面给你几个实用的解决方法，按推荐程度排序：

方法一：让预测数据继承训练数据的类别集合（最简单） #

训练时你已经把df["a"]转成了category类型，这个类型里保存了训练数据中所有出现过的类别（比如10-19里的那些值）。预测时只要让新数据的a列复用这个类别集合，XGBoost就能识别出和训练时一样的编码映射了：

# 先把训练数据的类别集合存下来
train_cat_a = df["a"].cat.categories

# 处理预测数据的a列：转成category并复用训练时的类别
df_predict = pd.DataFrame([{"a": 12, "b": -3.384966, "c": -4.169564}])
df_predict["a"] = df_predict["a"].astype("category").cat.set_categories(train_cat_a)

# 创建预测用的DMatrix，记得开enable_categorical=True
dpredict = xgboost.DMatrix(df_predict, enable_categorical=True)

# 现在预测结果就会和训练时一致了
print(native_model.predict(dpredict)[0])  # 应该接近0.0885

方法二：手动编码分类特征（最可控） #

如果你不想依赖pandas的category类型，也可以自己手动掌控编码过程，比如用LabelEncoder把分类值转成0到n-1的整数，训练和预测都用同一个编码器：

from sklearn.preprocessing import LabelEncoder

# 训练阶段：用LabelEncoder编码a列
le = LabelEncoder()
df["a_encoded"] = le.fit_transform(df["a"])

# 用编码后的特征训练模型（这里不需要enable_categorical了，因为已经是数值）
dtrain = xgboost.DMatrix(df[["a_encoded", "b", "c"]], df["d"])
native_model = xgboost.train(
    {"objective": "binary:logistic", "eval_metric": "auc", "tree_method": "hist"},
    dtrain, 10
)

# 预测阶段：用同一个LabelEncoder转换新数据的a列
df_predict = pd.DataFrame([{"a": 12, "b": -3.384966, "c": -4.169564}])
df_predict["a_encoded"] = le.transform(df_predict["a"])

dpredict = xgboost.DMatrix(df_predict[["a_encoded", "b", "c"]])
print(native_model.predict(dpredict)[0])  # 和训练时结果一致

方法三：用XGBoost的Scikit-learn接口（最省心） #

如果你用Scikit-learn风格的XGBoost模型（XGBClassifier/XGBRegressor），它会自动帮你记住训练时的分类特征编码，完全不需要手动处理类别映射：

from xgboost import XGBClassifier

# 直接传入category类型的特征训练模型
model = XGBClassifier(
    objective="binary:logistic",
    eval_metric="auc",
    max_cat_to_onehot=5,
    tree_method="hist",
    n_estimators=10
)
model.fit(df[["a", "b", "c"]], df["d"])

# 预测时直接传数据，模型会自动处理类别映射
df_predict = pd.DataFrame([{"a": 12, "b": -3.384966, "c": -4.169564}])
# 用predict_proba获取概率，对应之前的0.0885
print(model.predict_proba(df_predict)[0][1])

为什么你之前的代码出问题？ #

你创建预测DMatrix时虽然指定了feature_types=["c", "q", "q"]，但预测数据的a列是普通整数，没有和训练数据共享类别集合。XGBoost会把这个12当成一个从未见过的新类别，重新给它分配编码，自然和训练时的映射完全错位，导致预测结果偏差巨大。

备注：内容来源于stack exchange，提问作者mrphilroth