pd.get_dummies为何导致XGBoost特征名不匹配报错？

特征不匹配是独立调用pd.get_dummies()的典型问题，两个诱因都会触发报错：

• 列完整性缺失：新数据是单行样本，分类特征不可能覆盖训练集里的所有类别取值，drop_first=True模式下，没出现的类别不会生成对应的哑变量列，最终新数据的特征列数会比训练集少。
• 列顺序不一致：就算新数据刚好覆盖了所有分类取值，两次独立调用get_dummies()生成的特征列顺序无法保证和训练集对齐，XGBoost会严格校验输入特征的名称、顺序、数量，校验不通过就抛错。

核心逻辑是固定训练集的编码规则和特征顺序，用训练集的特征基准对齐新数据，操作步骤如下：

1. 训练集编码完成后，第一时间保存完整的特征列列表作为基准：

X_Encoded = pd.get_dummies(X,X.select_dtypes('object').columns, drop_first=True)
# 保存训练集特征的列名+固定顺序
train_cols = X_Encoded.columns.tolist()

2. 新数据完成初步哑变量编码后，用训练集的列基准做对齐，补全缺失列、删除多余列、强制调整列顺序：

X_new = pd.get_dummies(new,new.select_dtypes('object').columns, drop_first=True)
# 对齐特征：缺失的列统一填充0，列顺序和训练集完全一致
X_new_aligned = X_new.reindex(columns=train_cols, fill_value=0)

3. 对齐后的X_new_aligned可以直接输入模型做预测，不会再触发特征不匹配报错。

补充说明：如果后续要把模型部署到生产环境，不建议用pandas的get_dummies做编码，更推荐使用scikit-learn的OneHotEncoder，在训练集上调用fit()拟合编码规则后持久化保存，预测新数据时直接调用transform()即可，从根源上避免训练和预测阶段编码规则不一致的问题。

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