使用SHAP提取ML模型特征重要性时列名全为空如何解决

• 二分类场景下，shap.TreeExplainer的shap_values()方法返回长度为2的列表，两个元素分别是类别0、类别1对应的SHAP值数组，单个数组形状为(测试集样本数, 特征数)。原代码直接把整个列表存入结果集，后续拼接时维度完全错位。
• 拼接SHAP值时轴参数选择错误，且未指定计算哪个类别的特征重要性，导致求均值的维度不匹配，最终得到的是单样本对应的特征SHAP值列表，而非单特征对应的全局平均重要性。
• 维度错位后，传入DataFrame的特征名列表和SHAP值长度不匹配，因此出现列名显示为None、值为列表的异常输出。

from sklearn.datasets import load_breast_cancer
from sklearn.ensemble import RandomForestClassifier
from sklearn.model_selection import KFold
import shap
import pandas as pd
import numpy as np

# 加载数据集
dataset = load_breast_cancer()
X = dataset.data
y = dataset.target
feature_names = dataset.feature_names

# K折交叉验证初始化
kf = KFold(n_splits=2, shuffle=True, random_state=0)
fold_shap_values = []
fold_test_indices = []

for train_idx, test_idx in kf.split(X):
    X_train, X_test = X[train_idx], X[test_idx]
    y_train, y_test = y[train_idx], y[test_idx]
    X_train = pd.DataFrame(X_train, columns=feature_names)
    X_test = pd.DataFrame(X_test, columns=feature_names)

    # 训练随机森林模型
    model = RandomForestClassifier(random_state=0)
    model.fit(X_train, y_train)

    # 计算SHAP值，二分类任务取正类（标签1）对应的结果即可
    explainer = shap.TreeExplainer(model)
    # 索引取[1]，仅保留正类SHAP值，数组形状为(测试样本数, 特征数)
    shap_vals = explainer.shap_values(X_test)[1]
    fold_shap_values.append(shap_vals)
    fold_test_indices.append(test_idx)

# 拼接所有折的测试集索引和对应SHAP值
all_test_indices = np.concatenate(fold_test_indices, axis=0)
all_shap_values = np.concatenate(fold_shap_values, axis=0)

# 计算全局特征重要性：对每个特征的SHAP绝对值求全局平均
global_shap_importance = np.abs(all_shap_values).mean(axis=0)

# 构造结果表并按重要性降序排序
importance_result = pd.DataFrame({
    "Column": feature_names,
    "Shap value": global_shap_importance
}).sort_values("Shap value", ascending=False, ignore_index=True)

print(importance_result)

运行后输出格式和预期完全一致，示例如下：

Column  Shap value
0              worst radius    0.145219
1     worst concave points    0.132076
2      mean concave points    0.108742
3           worst perimeter    0.100358
4            mean perimeter    0.079823
..                      ...         ...
25  fractal dimension error    0.003188
26        smoothness error    0.002904
27         concavity error    0.002712
28   mean fractal dimension    0.002397
29          symmetry error    0.002086

如果需要获取类别0的特征重要性，只需要把取SHAP值时的索引从[1]改成[0]重复计算即可。

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