如何将Keras模型预测输出张量追加到输入test_features张量中

TensorFlow张量默认不可修改，无法直接在原有test_features张量中新增列，可通过转换为NumPy数组或Pandas DataFrame完成拼接，有需要时再转回张量即可，具体操作如下：

方法1：NumPy数组拼接（通用场景） #

适用于不需要保留特征列名，后续还要做张量运算的场景：

import numpy as np
import tensorflow as tf

# 1. 把测试特征张量转为NumPy数组
test_feat_np = test_features.numpy()
# 2. 若预测结果是一维数组，先调整为二维数组保证维度匹配
if len(z.shape) == 1:
    z = z.reshape(-1, 1)
# 3. 按列拼接，预测结果作为最后一列
test_feat_with_pred_np = np.concatenate([test_feat_np, z], axis=1)
# 4. 可选：转回张量格式
test_feat_with_pred_tensor = tf.convert_to_tensor(test_feat_with_pred_np)

方法2：Pandas DataFrame拼接（需要结构化数据的场景） #

如果你之前用Pandas做预处理，需要保留特征列名方便后续分析，可以用这个方法：

import pandas as pd

# 替换为你实际使用的特征列名列表
feature_cols = ["特征1", "特征2", "..."]
# 基于特征数组和列名生成DataFrame
test_df = pd.DataFrame(test_features.numpy(), columns=feature_cols)
# 新增预测结果列，一一对应每行样本
test_df["prediction"] = z

特殊场景适配 #

• 二分类任务如果需要输出0/1标签而非概率值，可先做转换再拼接：

pred_label = (z > 0.5).astype(int)

• 多分类任务如果需要输出类别标签而非各类概率，可先取最大值索引再拼接：

pred_label = np.argmax(z, axis=1).reshape(-1, 1)

内容的提问来源于stack exchange，提问作者kikee1222