使用pd.get_dummies编码DataFrame分类特征时触发KeyError报错

报错根因 #

KeyError提示找不到MSZoning，结合相同代码在其他数据集可正常运行的前提，可排除pandas语法、版本兼容类的基础问题，常见触发场景有三类：

• 列名存在不可见的格式偏差
  实际加载到的列名前后附带隐形空格、换行控制符，或是大小写和你定义的my_list不匹配。比如实际列名是' MSZoning '（前缀带空格）、'mszoning'（全小写）、'MSZoning\n'（带换行标记），字符串精确匹配时就会被判定为不存在对应列。
• 数据集读入阶段未加载目标列
  读取csv/xlsx时手动设置了usecols参数限制读入范围，刚好把MSZoning等分类列排除在外；或是读入时错把第一行表头识别为普通数据行，导致实际列名是0、1、2这类数字索引，无法匹配字符串格式的列名。
• 前期数据处理改动了列名
  加载原始数据集后，曾执行过重命名、删除冗余列的操作，但my_list仍沿用旧数据集的列名清单，没有同步更新。

排查与修正操作 #

1. 先做列名校验，不要直接运行编码逻辑
   依次执行以下代码，快速定位问题：

   # 批量清除所有列名前后的隐形空格
   df.columns = df.columns.str.strip()
   # 筛选my_list里存在、但当前df中缺失的列
   missing_cols = [col for col in my_list if col not in df.columns]
   print(f"未匹配到的列：{missing_cols}")
   

   对照输出的缺失列清单，核对实际列名和列表内名称的差异，修正不一致的条目即可解决KeyError。

2. 修正原有编码逻辑的潜在错误
   即使解决了列名匹配的问题，你当前写的循环赋值逻辑也会触发后续的维度不匹配报错：pd.get_dummies()对单个分类列处理后，会返回包含多个哑变量列的子DataFrame（比如MSZoning有3个取值时，设置drop_first后会生成2个独立列），不能直接将多列的结果赋值回原来的单列位置。
   正确的编码实现可选两种方式：

   • 一次性对所有指定分类列完成全量编码

     df = pd.get_dummies(df, columns=my_list, drop_first=True)
     

   • 若需要保留原始分类列，可循环将生成的哑变量子表和原表做横向合并，不要直接覆盖原列。

注意：如果校验后确认列名完全一致但仍报错，可检查是否存在重复列名——pandas遇到重复列名时，调用df[cols]会返回多列的DataFrame，后续赋值操作会触发连锁错误。

内容的提问来源于stack exchange，提问作者user14961665