如何将多分类predict_proba预测概率追加到pandas DataFrame

你可以直接将predict_proba返回的二维概率数组按列赋值到原DataFrame，无需额外转列表操作，具体实现步骤如下：

• 第一步：修正预测逻辑
  注意clf.predict_proba()的入参需要是符合模型输入要求的特征矩阵，不能直接传入文件路径，先加载测试数据再执行预测：

import pandas as pd

# 加载测试集
test = pd.read_csv("test.csv")
# 剔除非特征字段（比如示例里的customer_id，按你的实际字段调整）
X_test = test.drop(columns=["customer_id"])
# 执行预测得到概率二维数组
y_proba = clf.predict_proba(X_test)

• 第二步：按列写入概率值
  生成对应类别列名后，直接将概率数组赋值给DataFrame的新列即可，pandas会自动按行对齐：

# 按类别数量生成class_1、class_2...格式的列名
class_columns = [f"class_{i+1}" for i in range(y_proba.shape[1])]
# 批量赋值概率列
test[class_columns] = y_proba

• 第三步：（可选）提取目标格式结果
  如果只需要保留客户ID加各类别概率的结构，直接筛选列即可：

final_result = test[["customer_id"] + class_columns]

注意：如果你需要严格对齐模型内部的类别顺序，可以通过clf.classes_属性获取模型训练时的类别排序，用这个属性生成列名可以避免概率列和类别对应错位：

class_columns = [f"class_{label}" for label in clf.classes_]

执行后得到的final_result就完全匹配你给出的目标格式，每一列单独存储对应类别的预测概率，行顺序和原测试集样本完全一致。

内容的提问来源于stack exchange，提问作者Madam PC