多类型列Pandas DataFrame应用Sklearn SVC模型的特征数量不匹配问题

核心问题就是训练和预测阶段的预处理逻辑没对齐，导致特征维度对不上。直接按下面的步骤来排查解决：

1. 用Pipeline把预处理和模型绑死 #

别分开写训练和预测的预处理代码，直接用sklearn.pipeline.Pipeline把所有步骤（编码、缩放、特征选择啥的）和SVC打包成一个整体。训练完直接用这个Pipeline做预测，绝对不会出现特征数不一致的情况。

示例代码：

from sklearn.pipeline import Pipeline
from sklearn.compose import ColumnTransformer
from sklearn.preprocessing import OneHotEncoder, StandardScaler
from sklearn.svm import SVC
from sklearn.feature_selection import SelectKBest

# 先分好类型特征和数值特征的列名
cat_cols = ["str_col1", "str_col2"]
num_cols = ["float_col", "int_col"]

# 定义预处理规则：数值特征标准化，类别特征独热编码
preprocessor = ColumnTransformer(
    transformers=[
        ("num", StandardScaler(), num_cols),
        ("cat", OneHotEncoder(drop="first", sparse_output=False), cat_cols)
    ])

# 组装完整流程：预处理 → 选15个特征 → SVC模型
pipeline = Pipeline([
    ("preprocess", preprocessor),
    ("feature_select", SelectKBest(k=15)),
    ("classifier", SVC())
])

# 训练就直接fit整个Pipeline
pipeline.fit(X_train, y_train)

# 预测直接用训练好的Pipeline，不用再单独写预处理
y_pred = pipeline.predict(X_test)

2. 检查训练和预测的原始特征列 #

• 确认预测用的DataFrame和训练时的列名、列顺序、列数量完全一致，不能多列也不能少列。比如训练时用了10个原始列，预测时必须一模一样，不能新增或遗漏。
• 要是有timestamp列，检查两边的时间特征提取逻辑：比如都提取小时、星期几，或者都转成某个基准时间的差值，不能一边提取了一边没提。

3. 排查编码类预处理的坑 #

比如用OneHotEncoder时，训练数据里的类别可能和预测数据不一样，导致编码后特征数变了。解决办法：

• 训练时给OneHotEncoder加handle_unknown="ignore"参数，遇到训练时没见过的类别直接忽略；
• 或者提前把训练数据里的所有类别存下来，预测时强制对齐这些类别，避免新增特征。

单独用OneHotEncoder的示例：

# 训练时拟合并保存所有类别
encoder = OneHotEncoder(drop="first", sparse_output=False)
encoder.fit(X_train[cat_cols])

# 预测时必须用这个训练好的encoder转换，保证特征数一致
X_test_cat = encoder.transform(X_test[cat_cols])

4. 验证预处理后的特征数 #

训练完可以打印pipeline.named_steps["preprocess"].transform(X_train).shape，预测前打印pipeline.named_steps["preprocess"].transform(X_test).shape，先看预处理后的特征数是否一致，再看特征选择后的维度是不是15，一步步定位问题。

内容的提问来源于stack exchange，提问作者Junior P