基于老客RFM分群的KNN新客触达建模流程校验及报错解决咨询

• 编码逻辑错误：对训练集和测试集分别执行fit_transform，会导致同一个类别值在两个数据集的编码结果不一致，特征含义完全混乱；同时LabelEncoder会为无序类别特征强加数值顺序，KNN是基于距离计算的算法，会直接导致距离计算结果失真，建议替换为独热编码或目标编码。
• 特征对齐错误：训练集使用8个特征（包含Title字段），测试集仅使用7个特征，特征数量不匹配，模型无法正常推理。
• 维度逻辑错误：sklearn中所有模型的输入特征矩阵都要求为(样本数, 特征数)的二维格式，你对Xtrain执行转置操作后，相当于把12个特征当成了12个样本，把3492个样本当成了3492个特征，完全搞反了样本和特征的维度定义。
• 标签逻辑错误：RFM分群得到的11个类别是模型要学习的预测标签，标签维度应该和训练样本数一致（即3492个标签值），你代码中的Ytrain维度(12,983)完全不符合标签要求。

直接报错原因 #

模型训练时接收的输入特征维度为(12, 3492)，要求预测的输入Xtest为一维数组，既不符合二维输入要求，特征数量也和训练时的3492个特征不匹配，因此抛出维度错误。

完整修复步骤 #

1. 对齐特征列：保证训练集和测试集使用完全相同的特征字段，若新客数据集无Title字段，需同步删除训练集的Title字段。
2. 修正编码逻辑：

import pandas as pd
from sklearn.preprocessing import LabelEncoder

# 统一使用的特征列
use_cols = ['address', 'state', 'gender', 'job_title', 'job_industry_category', 'wealth_segment', 'owns_car']
enc_dict = {}

for col in use_cols:
    enc = LabelEncoder()
    # 合并两数据集的该列值做拟合，避免测试集出现训练集未覆盖的类别报错
    all_values = pd.concat([Training[col].astype(str), Test[col].astype(str)], axis=0)
    enc.fit(all_values)
    # 分别转换训练集和测试集
    Training[col] = enc.transform(Training[col].astype(str))
    Test[col] = enc.transform(Test[col].astype(str))
    enc_dict[col] = enc

3. 修正数据集维度与训练逻辑：

from sklearn.model_selection import train_test_split
from sklearn.neighbors import KNeighborsClassifier

# 拆分老客特征与标签，y为RFM分群得到的11个类别标签
X = Training[use_cols]
y = Training['rfm_cluster'] # 替换为你实际的RFM分群标签字段名
# 拆分训练验证集，不需要转置操作
X_train, X_val, y_train, y_val = train_test_split(X, y, test_size=0.2, random_state=42)

# 训练模型
classifier = KNeighborsClassifier(n_neighbors=5)
classifier.fit(X_train, y_train)

# 先验证老客测试集效果
y_val_pred = classifier.predict(X_val)
# 预测新客的分群结果，Test为新客数据集
y_new_pred = classifier.predict(Test[use_cols])

注意：如果特征为无序类别，建议替换LabelEncoder为OneHotEncoder，避免KNN距离计算失真

内容的提问来源于stack exchange，提问作者Nikhil Kumar Macharla