XGBoost特征重要性不匹配：feature_importances_与plot_importance结果不一致

这个问题我之前调试模型时也碰到过，其实核心不是数值真的有差异，而是两个API的特征展示逻辑完全不同，导致你看起来索引对不上、数值好像不匹配。下面给你拆解清楚原因，再给具体的解决办法：

为什么会出现差异？ #

1. model.feature_importances_的逻辑 #

• 它返回的numpy数组，顺序和你训练模型时输入的原始特征矩阵的列顺序完全一致，哪怕某个特征重要性为0也会保留在数组里。
• 比如你给出的数组里，索引6对应0.00568、索引10对应0.1363、索引14对应0.01136，其他位置都是0，这些数值就是每个原始特征的真实重要性。

2. xgb.plot_importance(model)的默认逻辑 #

• 它会自动过滤掉所有重要性为0的特征，只展示有实际贡献的特征；
• 展示时会按重要性从高到低降序排列，不是原始特征的输入顺序；
• 默认用f0、f1...这样的标签，标签里的数字就是原始特征的索引，但因为排序了，图里的顺序和feature_importances_的数组顺序完全不一样——比如你数组里最大的0.1363在索引10，所以图里最上面的会是f10，然后是f14、f6，这就造成了“索引无法直接对应”的错觉。

具体解决方法 #

1. 手动对齐特征索引与可视化结果 #

把原始特征的索引、重要性整理成DataFrame并排序，就能和plot_importance的结果完全对应：

import pandas as pd
import xgboost as xgb

# 如果训练时没指定特征名称，就生成默认的f0-fn
feature_names = [f"f{i}" for i in range(len(model.feature_importances_))]

# 构建包含索引、名称、重要性的DataFrame
importance_df = pd.DataFrame({
    "原始特征索引": range(len(model.feature_importances_)),
    "特征名称": feature_names,
    "重要性数值": model.feature_importances_
})

# 过滤掉0值，按重要性降序排序（和plot_importance的顺序一致）
filtered_df = importance_df[importance_df["重要性数值"] > 0].sort_values(by="重要性数值", ascending=False)
print(filtered_df)

运行后你会看到，这个DataFrame的顺序和plot_importance图里的顺序完全匹配，每个特征对应的原始索引和数值都一目了然。

2. 用自定义特征名称替代默认的f0/f1 #

如果你训练模型时指定了feature_names，plot_importance会直接显示你的特征名称，更直观：

# 训练时用DMatrix指定特征名称
dtrain = xgb.DMatrix(X_train, label=y_train, feature_names=["用户年龄", "消费金额", "浏览时长", ...])
model = xgb.train(your_params, dtrain, num_boost_round=100)

# 绘图时会直接显示你定义的特征名称
xgb.plot_importance(model)

3. 验证数值一致性（彻底消除疑虑） #

你可以把plot_importance里的数值提取出来，和feature_importances_对比，确认两者数值完全一致：

# 生成可视化图并获取轴对象
ax = xgb.plot_importance(model)

# 提取图中的特征名称和重要性数值
plot_data = pd.DataFrame({
    "特征名称": [bar.get_text() for bar in ax.patches],
    "图中显示重要性": [bar.get_width() for bar in ax.patches]
})

# 和原始的重要性数据合并对比
merged_df = pd.merge(filtered_df, plot_data, on="特征名称")
print(merged_df[["特征名称", "重要性数值", "图中显示重要性"]])

运行后你会发现，两列重要性数值是完全相同的，只是展示顺序不同而已。

总结 #

本质上这是两个API的展示策略差异：feature_importances_保留所有特征的原始顺序，plot_importance只展示有效特征并按重要性排序。只要把数据按重要性降序整理，就能完美对应上，不存在真正的数值差异。

内容的提问来源于stack exchange，提问作者NLR