如何将OneHotEncoder（处理字符串）与浮点型特征结合用于逻辑回归

问题场景 #

需要在LogisticRegression模型中同时使用字符串类型特征和浮点型特征（如home/away spi），已知用LabelEncode处理字符串会给不同类别赋予不合理的权重，因此选择OneHotEncoder，但运行代码时出现ValueError: 输入特征数（1416）与LogisticRegression期望的特征数（1418）不匹配，核心问题是不知道如何在OneHotEncoder拟合前正确整合浮点型特征。

错误原因 #

手动单独处理字符串特征后再拼接浮点特征，容易导致拟合阶段和预测阶段的特征处理流程不一致，或者特征拼接时出现计数错误，最终引发特征数不匹配。

解决方案：用ColumnTransformer统一处理不同类型特征 #

使用ColumnTransformer可以分别指定不同特征的预处理规则，自动完成特征整合，确保拟合和预测时的特征数完全一致。以下是完整代码示例：

import pandas as pd
from sklearn.linear_model import LogisticRegression
from sklearn.preprocessing import OneHotEncoder
from sklearn.compose import ColumnTransformer
from sklearn.pipeline import Pipeline
from sklearn.model_selection import train_test_split

# 示例数据集（替换为你的真实数据）
data = {
    'team': ['A', 'B', 'A', 'C', 'B'],
    'home_spi': [85.2, 78.5, 82.1, 70.3, 79.0],
    'away_spi': [72.4, 80.1, 75.6, 83.2, 77.8],
    'target': [1, 0, 1, 0, 1]
}
df = pd.DataFrame(data)

# 拆分特征与目标变量
X = df[['team', 'home_spi', 'away_spi']]
y = df['target']

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 定义特征预处理规则：字符串特征用OneHotEncoder，浮点特征直接保留
preprocessor = ColumnTransformer(
    transformers=[
        # 处理类别特征：OneHot编码，drop='first'避免多重共线性
        ('categorical', OneHotEncoder(sparse_output=False, drop='first'), ['team']),
        # 处理数值特征：直接传递，不做额外处理
        ('numerical', 'passthrough', ['home_spi', 'away_spi'])
    ])

# 构建完整的模型流水线：先预处理，再训练逻辑回归
model_pipeline = Pipeline(steps=[
    ('preprocessor', preprocessor),
    ('classifier', LogisticRegression())
])

# 训练模型
model_pipeline.fit(X_train, y_train)

# 预测测试集
y_pred = model_pipeline.predict(X_test)

方案说明 #

1. ColumnTransformer：负责按列分配不同的预处理逻辑，确保字符串特征和浮点特征被正确处理后合并，避免手动拼接的错误。
2. Pipeline：将预处理和模型训练打包成一个整体，保证训练和预测时的特征处理流程完全一致，彻底解决特征数不匹配问题。
3. OneHotEncoder：对字符串特征进行独热编码，不会像LabelEncode那样给类别赋予隐含的权重关系，符合分类模型的特征要求。

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