如何让数据集仅保留单个索引列？解决Flask部署MultinomialNB特征不匹配错误

问题根源 #

训练模型时误将2个多余的索引列当作特征纳入训练集，导致模型学习时期望输入28个特征；但部署Flask时仅传入25个有效业务特征，引发特征数不匹配的ValueError。

解决步骤 #

• 清理数据集，移除多余索引列
  用Pandas加载数据集后，删除不需要的索引列，只保留1个目标索引列（或直接不保留索引列，根据业务需求）：

  import pandas as pd
  
  # 加载数据集
  df = pd.read_csv("your_dataset.csv")
  # 替换为实际多余的索引列名称，比如'Unnamed: 0'、'extra_index'
  df = df.drop(['Unnamed: 0', 'extra_index'], axis=1)
  # 若需指定某列为索引，执行以下语句（可选）
  df = df.set_index('target_index_col')
  

• 重新训练模型，确保特征数一致
  分离有效特征和标签列，仅用业务特征训练模型：

  from sklearn.naive_bayes import MultinomialNB
  from sklearn.model_selection import train_test_split
  
  # 替换为实际标签列名称，比如'class_label'
  X = df.drop('class_label', axis=1)
  y = df['class_label']
  
  # 划分训练测试集
  X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
  
  # 重新训练模型
  model = MultinomialNB()
  model.fit(X_train, y_train)
  
  # 验证特征数：输出应为(样本数, 25)
  print(X_train.shape)
  

• Flask部署时保持输入特征匹配
  接口接收数据后，必须保证输入的特征列与训练集的列名、顺序完全一致，不能包含多余索引列：

  from flask import Flask, request, jsonify
  import pandas as pd
  
  app = Flask(__name__)
  # 假设已加载重新训练好的model
  
  @app.route('/predict', methods=['POST'])
  def predict():
      input_data = request.get_json()
      # 用训练集的列名构造输入DataFrame，确保特征匹配
      input_df = pd.DataFrame([input_data], columns=X_train.columns)
      prediction = model.predict(input_df)
      return jsonify({'prediction': str(prediction[0])})
  
  if __name__ == '__main__':
      app.run(debug=True)
  

关键验证 #

• 训练前确认X.shape[1]等于25，确保没有多余特征
• 部署时输入的特征列必须和X_train.columns完全对齐，避免遗漏或新增列

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