如何让SHAP汇总图展示原始分类列而非独热编码后的拆分列？

这个问题我之前也遇到过！独热编码确实会把分类特征拆成多个独立的二进制列，导致SHAP汇总图显示的是拆分后的零散列，想要合并回原始的分类列其实有两种实用的方法，我给你一步步讲：

方法一：对已独热编码的特征进行分组展示 #

如果已经完成了独热编码的流程，不想改动建模环节，可以通过SHAP的summary_plot参数，把同一原始分类特征下的独热列分组：

首先，我们需要先明确每个原始分类特征对应哪些独热编码后的列索引：

• category1 对应独热后的 A、B、C，也就是索引 0、1、2
• category2 对应独热后的 X、Y，也就是索引 3、4

然后修改SHAP可视化的代码部分：

# 定义分组：键是原始分类列名，值是对应的独热列索引
group_indices = {
    "category1": [0, 1, 2],
    "category2": [3, 4]
}
group_names = list(group_indices.keys())

# 绘制分组后的SHAP汇总图
shap.summary_plot(
    shap_values, 
    X_test, 
    feature_names=feature_names,
    group_indices=group_indices,
    group_names=group_names
)

这样SHAP就会把同一原始分类下的所有独热列的SHAP值合并，展示成原始的两个分类列。

方法二：用XGBoost原生支持分类特征（更高效） #

其实XGBoost从1.3版本开始就支持直接处理分类特征，不需要提前做独热编码！这样不仅能避免特征膨胀，还能让SHAP直接识别原始分类列，同时降低特征排列的计算成本，是更推荐的做法。

完整的修改后代码如下：

import pandas as pd
from xgboost import XGBClassifier
from sklearn.model_selection import train_test_split
import shap

# 示例数据（2个输入列，1个输出列）
data = {
    'category1': ['A', 'B', 'C', 'A', 'B'],
    'category2': ['X', 'Y', 'X', 'Y', 'X'],
    'target': [0, 1, 0, 1, 0]
}
df = pd.DataFrame(data)

# 将分类列转为pandas的category类型（XGBoost需要这个标记）
df['category1'] = df['category1'].astype('category')
df['category2'] = df['category2'].astype('category')

# 数据拆分
X = df.drop('target', axis=1)
y = df['target']
X_train, X_test, y_train, y_test = train_test_split(
    X, y, test_size=0.2, random_state=42
)

# 训练模型时开启分类特征支持
model = XGBClassifier(
    enable_categorical=True,  # 关键参数：开启原生分类特征支持
    use_label_encoder=False,
    eval_metric='logloss'
)
model.fit(X_train, y_train, eval_set=[(X_test, y_test)], verbose=False)

# SHAP解释部分
explainer = shap.TreeExplainer(model)
shap_values = explainer.shap_values(X_test)

# 直接绘制SHAP汇总图，会自动显示原始分类列
shap.summary_plot(shap_values, X_test)

这种方法不需要任何额外的分组操作，SHAP图直接展示category1和category2两个原始列，同时模型训练的效率也更高。

备注：内容来源于stack exchange，提问作者Hyunjik Bae