加载pickle存储的LogisticRegression模型预测测试集Race字段

• 首先修正训练阶段的模型保存逻辑（必须操作，原训练代码存在逻辑错误）
  你之前的验证流程中，先对输入特征做了独热编码再训练模型，但最后保存的模型是直接在未编码的原始特征上训练的，和验证逻辑不一致，还会因为Gender为类别特征直接报错。需要修改训练代码的保存部分，将独热编码器和训练好的模型一起保存：

# 训练阶段修改后的保存代码
ohe = OneHotEncoder(handle_unknown='ignore')
ohe.fit(X_train)
X_train_ohe = ohe.transform(X_train).toarray()

clf = LogisticRegression(solver='liblinear')
clf.fit(X_train_ohe, y_train.values.ravel())

# 同时保存编码器和模型
pickle.dump({'ohe': ohe, 'model': clf}, open('model.pkl','wb'))

• 预测阶段补全以下代码即可完成预测
  在你现有预测代码的基础上，追加以下逻辑：

# 加载编码器和模型
loaded_obj = pickle.load(open('model.pkl','rb'))
ohe = loaded_obj['ohe']
model = loaded_obj['model']

# 测试集特征执行和训练阶段一致的独热编码
X_test_ohe = ohe.transform(X)

# 生成预测结果
pred_race = model.predict(X_test_ohe)

# 将预测结果写入测试集的Race列
df['Race'] = pred_race

# 可选：将带预测结果的测试集保存为新文件
df.to_csv('test_pred_result.csv', index=False)

• 额外优化提示
  你当前的NaN填充代码无法覆盖pandas原生的浮点型空值，建议替换为更可靠的写法：
  df['Race'] = df['Race'].fillna(0)

内容的提问来源于stack exchange，提问作者Ahmet Furkan Aydoğan