均值（目标）编码实现求助：分类特征编码报错排查

先拆解你遇到的两个错误根源，再给出符合规范的均值编码实现：

第一个错误：KeyError: False #

你第一版代码里的cat_features = data.dtypes == 'object'生成的是布尔值Series（索引为列名，值是True/False），而非分类特征的列名列表。当把这个传给mean_encoding函数的cols参数时，循环会误把False当作列名去查找，直接触发KeyError。

正确的分类特征列名获取方式应该是：

cat_features = data.columns[data.dtypes == 'object'].tolist()

第二个错误：KeyError: 'Columns not found: 87.68...' #

这个错误背后有两个核心问题：

1. 你合并训练集和测试集后已经删除了y列，但函数里尝试用df.groupby(c)[target]——这里的target是训练集的y数组，并非data中的列，pandas会把target里的数值当作列名去匹配，自然找不到对应列。
2. 更严重的是：绝对不能用包含测试集的合并数据集计算均值编码，这会导致严重的数据泄露，测试集的信息会提前混入训练过程，彻底破坏模型的泛化能力。

正确的均值编码实现步骤 #

我们需要在训练集单独计算每个分类特征的均值映射，再将该映射分别应用到训练集和测试集，同时处理测试集中可能出现的、训练集从未见过的类别。

以下是完整修正代码：

import pandas as pd

# 基于你已有的变量拆分训练/测试集
train_data = data.iloc[:split, :].copy()
test_data = data.iloc[split:, :].copy()

# 将目标变量重新加入训练集（合并时已删除）
train_data['y'] = target

# 获取分类特征列名列表
cat_features = train_data.columns[train_data.dtypes == 'object'].tolist()

def mean_encode_features(train_df, test_df, cat_cols, target_col):
    # 存储每个分类特征的均值映射规则
    mean_mappings = {}
    
    for col in cat_cols:
        # 仅在训练集上计算均值映射，避免数据泄露
        mean_map = train_df.groupby(col)[target_col].mean()
        mean_mappings[col] = mean_map
        
        # 应用映射到训练集
        train_df[col] = train_df[col].map(mean_map)
        # 应用映射到测试集，对未见过的类别填充训练集目标变量的全局均值
        test_df[col] = test_df[col].map(mean_map).fillna(train_df[target_col].mean())
    
    return train_df, test_df

# 执行均值编码
encoded_train, encoded_test = mean_encode_features(train_data, test_data, cat_features, 'y')

# 重新合并为最终数据集
data = pd.concat([encoded_train.drop('y', axis=1), encoded_test], axis=0).reset_index(drop=True)

关键细节说明： #

• 规避数据泄露：所有均值计算仅基于训练集，测试集完全复用训练集的映射规则，符合真实预测场景。
• 处理未知类别：测试集中出现训练集没有的分类值时，用训练集目标变量的全局均值填充，避免生成NaN影响后续建模。
• 赋值修正：原代码中df[c].map(means)仅生成临时Series，未赋值回原列，修正后直接覆盖原特征列，确保编码生效。

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