如何格式化含子列的Kaggle数据集以适配ML回归模型？

你的问题核心是数据集存在多级表头（子列结构），加上文件带BOM编码导致直接读取后出现大量Unnamed列名。以下是分步解决方法：

1. 正确读取带多级表头的数据集 #

首先解决编码问题（开头的是UTF-8 BOM标记），同时指定读取前两行作为多级表头：

import pandas as pd

# 用utf-8-sig处理BOM，header=[0,1]读取前两行作为多级表头
data = pd.read_csv('Residential-Building-Data-Set.csv', encoding='utf-8-sig', header=[0, 1])

2. 整理多级表头为单级列名 #

多级表头不利于后续ML处理，我们可以把主列和子列合并成有意义的单级列名，同时过滤空值：

# 合并多级表头，处理空的子列名
data.columns = ['_'.join(col).strip().replace('Unnamed: ', '') for col in data.columns.values]
# 进一步清理：如果合并后列名只剩主列（子列为空），则保留主列名
data.columns = [col.split('_')[0] if col.endswith('_') else col for col in data.columns]

3. 清理无效列 #

删除全为空值的列（这些就是之前的Unnamed空列）：

# 删除所有值都是NaN的列
data = data.dropna(axis=1, how='all')

4. 验证与后续处理 #

查看处理后的列名和数据：

print(data.columns)
print(data.head())

之后就可以按照回归模型的需求，继续做缺失值填充、特征编码、划分训练测试集等常规ML预处理步骤。

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