如何在Flask部署的保存模型中集成OneHotEncoder步骤？

• OneHotEncoder必须和模型绑定成统一工作流，强烈推荐使用Pipeline整合「独热编码+模型训练+调参」全流程后持久化保存，后续加载模型预测时，会自动完成输入数据的编码转换，不需要单独处理原始输入，也能彻底避免训练/预测阶段编码规则不一致、特征维度不匹配的问题。
• OneHotEncoder完全可以纳入GridSearchCV流程，而且是标准最佳实践——能从根本上避免交叉验证过程中的数据泄露，保证调参得到的评分结果真实可信。

• 预处理和模型拆分存储：当前代码单独加载OHE编码器和模型，但预测函数没有接收编码器参数，也没有对原始字符串特征做编码转换，直接喂给XGBoost会触发类型报错。
• 手动拼接特征存在硬错误：手写特征列表时把parent_was_in_college错写为parent_was_in_collegel（多了末尾的l），且输入字段存在parent salary这种带空格的命名，非常容易出现取数错误。
• 调参流程存在数据泄露：如果先对全量数据集做OHE再拆分训练/验证集、跑交叉验证，验证集的类别信息会提前被编码器学习到，得到的AUC评分会比真实效果偏高。
• 函数调用不匹配：路由中调用return_predictions时传了3个参数，但定义的return_prediction函数只接收2个参数，运行会直接报参数错误。

模型训练&调参侧代码 #

import joblib
import xgboost as xgb
import pandas as pd
from sklearn.preprocessing import OneHotEncoder
from sklearn.compose import ColumnTransformer
from sklearn.pipeline import Pipeline
from sklearn.model_selection import GridSearchCV, train_test_split

# 定义分类、数值特征列表，列名必须和后续接口输入字段完全对齐
cat_cols = ["type_school", "school_accreditation", "gender", "interest", "residence", "parent_was_in_college"]
num_cols = ["parent_age", "parent_salary", "house_area", "average_grades"]

# 构建列转换器：分类特征做独热编码，数值特征直接透传，遇到训练集未出现的类别直接置0不报错
preprocessor = ColumnTransformer(
    transformers=[
        ("cat_encoder", OneHotEncoder(handle_unknown="ignore"), cat_cols),
        ("num_passthrough", "passthrough", num_cols)
    ]
)

# 拼接预处理+XGBoost为完整Pipeline
full_clf = Pipeline(steps=[
    ("preprocess", preprocessor),
    ("xgb_clf", xgb.XGBClassifier(objective="binary:logistic"))
])

# 注意：在原始未编码的数据集上切分训练/测试集，不要提前做编码
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 参数网格里的模型参数需要加Pipeline步骤前缀`xgb_clf__`
param_grid = {
    # 填入你原本的参数配置即可，例如：
    # "xgb_clf__max_depth": [3, 5, 7],
    # "xgb_clf__learning_rate": [0.01, 0.1],
    # "xgb_clf__n_estimators": [100, 200]
}

grid_search = GridSearchCV(
    estimator=full_clf,
    param_grid=param_grid,
    scoring="roc_auc",
    verbose=2,
    n_jobs=10,
    cv=3
)

# 早停相关参数同样要加`xgb_clf__`前缀
grid_search.fit(
    X_train,
    y_train,
    xgb_clf__early_stopping_rounds=10,
    xgb_clf__eval_metric="auc",
    xgb_clf__eval_set=[(X_test, y_test)],
    xgb_clf__verbose=False
)

# 直接保存整个最优Pipeline，不需要单独存编码器文件
best_model = grid_search.best_estimator_
joblib.dump(best_model, "college_full_model.pkl")

Flask服务侧代码 #

from flask import Flask, request, jsonify
import joblib
import pandas as pd

app = Flask(__name__)
# 仅需加载一个整合好的Pipeline文件，无需单独加载编码器
loaded_model = joblib.load("college_full_model.pkl")

def get_prediction(model, input_data):
    # 输入JSON直接转DataFrame，不需要手动按顺序拼特征列表
    input_df = pd.DataFrame([input_data])
    # 兼容前端传带空格的字段名，建议前后端统一用下划线命名后删除这行
    input_df = input_df.rename(columns={"parent salary": "parent_salary"})
    pred_res = model.predict(input_df)
    return int(pred_res[0])

@app.route("/")
def index():
    return "<h1>Flask Running</h1>"

@app.route("/college", methods=["POST"])
def predict_route():
    req_content = request.json
    pred = get_prediction(loaded_model, req_content)
    return jsonify({"admit_to_college": pred})

if __name__ == "__main__":
    app.run()

关键说明：把OHE放进Pipeline后再跑GridSearchCV，每一轮交叉验证都会仅用当前折的训练数据拟合编码器，再转换训练折和验证折，完全符合真实预测场景的数据流转逻辑，不会出现数据泄露问题。

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