如何在含OneHot编码的scikit-learn管道中映射XGBRegressor特征重要性与特征名？

1. 获取管道生成的完整特征列表 #

训练完管道后，直接调用ColumnTransformer的get_feature_names_out()方法就能得到所有处理后特征的完整列表，包括独热编码后的分类特征和原数值特征，且顺序和模型输入的特征顺序完全一致，不用手动拼接：

# 训练pipeline后执行
full_feature_names = pipeline["encoder"].get_feature_names_out()

这个方法会自动处理：

• 分类特征：生成带categories__前缀的独热编码特征名（比如categories__cat_feature1_类别A）
• 数值特征：生成带remainder__前缀的原特征名（如果要去掉前缀，可后续用str.replace('remainder__', '')处理）

2. 映射特征重要性与特征名 #

XGBoost返回的fscore字典中，键f0、f2等的数字部分对应完整特征列表的索引，只需提取索引匹配特征名即可：

import pandas as pd

# 获取XGB的特征重要性分数
fscore_dict = pipeline['regressor'].get_booster().get_fscore()

# 映射特征名与分数
feature_importance = {}
for key, score in fscore_dict.items():
    # 提取特征索引：去掉键的'f'前缀，转为整数
    feature_idx = int(key[1:])
    # 匹配对应的特征名
    feature_name = full_feature_names[feature_idx]
    feature_importance[feature_name] = score

# 转为DataFrame方便排序和查看
importance_df = pd.DataFrame.from_dict(
    feature_importance, 
    orient='index', 
    columns=['特征重要性(fscore)']
).sort_values(by='特征重要性(fscore)', ascending=False)

print(importance_df)

补充说明 #

• 不用手动拼接独热特征和数值特征的原因：get_feature_names_out()严格遵循ColumnTransformer的处理顺序，避免手动拼接时因特征顺序错误导致映射失效的问题
• 如果需要更简洁的特征名，可对full_feature_names做批量替换，比如去掉所有前缀：

full_feature_names = [name.split('__')[-1] for name in full_feature_names]

内容的提问来源于stack exchange，提问作者Joysn