为什么会触发AttributeError: columns？ #

这个错误的原因很明确：你调用的diabetes.columns是pandas DataFrame专属的属性，但scikit-learn通过datasets.load_diabetes()返回的是一个Bunch对象（类似字典的特殊数据结构），它存储特征名称的字段是feature_names，而非columns——你混淆了sklearn内置数据集对象和pandas数据结构的用法啦！

另外还有个容易被忽略的逻辑问题：糖尿病数据集本质是回归任务（目标变量y是连续的血糖测量值），但你使用了分类模型（LogisticRegression、RandomForestClassifier），这相当于让模型去预测连续值的"类别"，逻辑上不匹配任务需求，最终输出的"准确率"也没有实际参考价值。

修复方案 #

1. 修正特征名称的获取代码

直接把diabetes.columns[0:]替换为diabetes.feature_names，就能正确获取所有特征的名称了。

2. 替换为适配回归任务的模型（强烈推荐）

既然是预测连续值，应该使用回归模型，比如把LogisticRegression换成LinearRegression，RandomForestClassifier换成RandomForestRegressor，这样模型训练逻辑才符合任务目标。

下面是修正后的完整代码：

from sklearn import datasets 
from sklearn.model_selection import train_test_split 
from sklearn.preprocessing import MinMaxScaler 
from sklearn.preprocessing import StandardScaler 
from sklearn.linear_model import LinearRegression  # 替换为回归模型
from sklearn.ensemble import RandomForestRegressor  # 替换为回归模型

# 加载数据集
diabetes = datasets.load_diabetes() 
X = diabetes.data 
y = diabetes.target 

# 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=0) 

# 数据预处理（回归任务可按需使用）
mms = MinMaxScaler() 
X_train_norm = mms.fit_transform(X_train) 
X_test_norm = mms.transform(X_test) 

stdsc = StandardScaler() 
X_train_std = stdsc.fit_transform(X_train) 
X_test_std = stdsc.transform(X_test) 

# 训练线性回归模型
lr = LinearRegression() 
lr.fit(X_train_std, y_train) 
# 回归模型用R²分数评估，而非分类的准确率
print('Training R² score:', lr.score(X_train_std, y_train)) 
print('Test R² score:', lr.score(X_test_std, y_test)) 

# 训练随机森林回归模型
forest = RandomForestRegressor(n_estimators=500, random_state=1) 
forest.fit(X_train, y_train) 
importances = forest.feature_importances_ 
print('Feature importances:', importances) 

# 正确获取特征名称
feature_labels = diabetes.feature_names
print('Feature labels:', feature_labels)

补充小提示 #

• 如果你的实际需求是分类（比如把血糖值分成高/中/低几类），需要先对y做离散化处理（比如用pandas的pd.cut()函数），再使用分类模型，但糖尿病数据集的默认任务是回归。
• 可以通过print(diabetes.DESCR)查看数据集的详细描述，了解特征含义、目标变量定义等信息。

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