XGBoost模型部署预测报numpy数组需二维及特征不匹配问题求解

报错根因 #

• ValueError: Input numpy.ndarray must be 2 dimensional：XGBoost推理要求输入特征数组的维度为(样本数, 特征数)，一维浮点值列表的维度为(特征数,)，不符合输入规范。
• feature_names mismatch：你使用reshape(-1,1)调整维度后，数组维度变为(特征数, 1)，相当于把N个特征识别为N个样本、每个样本仅1个特征，和模型训练时的特征数量、顺序完全不匹配，触发校验错误。

解决方案 #

1. 构造符合维度要求的numpy数组 #

XGBoost本地Python API会自动将一维列表识别为单样本特征序列，自动补全维度为(1, 特征数)，但推理引擎默认不会做该自动处理，需要你手动调整维度：

• 单样本预测场景：将浮点值列表转numpy数组后，使用reshape(1, -1)调整维度，注意不要用reshape(-1,1)

  import numpy as np
  test_list = [0.1, 2.3, 1.5, ...] # 长度和模型特征数一致
  input_arr = np.array(test_list).reshape(1, -1)
  

• 多样本预测场景：将多个单样本特征列表组合为二维列表后直接转numpy数组，维度自动符合要求

  test_list = [[0.1, 2.3, 1.5, ...], [0.7, 1.2, 3.3, ...]] # 每个子列表为一个样本的特征
  input_arr = np.array(test_list)
  

2. 对齐特征名避免匹配错误 #

如果调整维度后仍触发特征名不匹配错误，说明输入特征的顺序和模型训练时的特征顺序不一致，按以下步骤处理：

1. 训练阶段导出模型固定的特征顺序并持久化存储，部署阶段直接加载复用

# 训练完成后导出特征顺序，可保存为json/pickle文件
feature_order = model.get_booster().feature_names

2. 输入特征严格按导出的feature_order顺序排列，更稳妥的方式是用pandas DataFrame构造输入，XGBoost会自动对齐列名

import pandas as pd
# 按特征顺序构造DataFrame，无需手动校验顺序
test_df = pd.DataFrame([test_list], columns=feature_order)

3. 预校验规则 #

部署前可在本地先做校验，确认输入符合要求：

• 输入数组的第二个维度值必须和len(feature_order)完全相等
• 用构造好的输入在本地调用model.predict()，确认能正常输出结果后再部署到推理引擎

内容的提问来源于stack exchange，提问作者kms