如何比较两个Pandas DataFrame列名？含训练测试集列缺失场景

嘿，这个场景我做机器学习项目时碰到过好多次——训练集和测试集列名不匹配，尤其是测试集缺了几个特征列的情况，太影响后续建模了。下面给你几个实用的方法，轻松搞定列名对比：

方法一：用集合快速找差异 #

把两个DataFrame的列名转成集合，利用集合的差集操作就能一眼看出测试集缺了哪些列：

# 提取训练集和测试集的列名集合
train_cols = set(train.columns)
test_cols = set(test.columns)

# 找出测试集缺失的列（训练集有但测试集没有的）
missing_cols = train_cols - test_cols

if missing_cols:
    print(f"测试集缺失以下特征列：{missing_cols}")
else:
    print("训练集和测试集的列名完全一致！")

要是你想反过来找测试集有但训练集没有的列，只要把差集反过来写：extra_cols = test_cols - train_cols就行。

方法二：用Pandas内置的difference方法 #

Pandas的列名本身是Index对象，自带difference方法，写起来更简洁：

# 直接获取测试集缺失的列
missing_cols = train.columns.difference(test.columns)

# 转成列表输出更直观
print("测试集缺失的列：", missing_cols.tolist())

这个方法返回的是一个Index对象，转成列表后看起来更清爽。

方法三：可视化对比表（列多的时候超好用） #

如果你的特征列特别多，用表格形式展示每一列的存在情况会更清晰：

import pandas as pd

# 创建对比DataFrame，显示每一列在两个数据集里的存在状态
compare_df = pd.DataFrame({
    '在训练集中存在': train.columns.isin(test.columns),
    '在测试集中存在': test.columns.isin(train.columns)
}, index=train.columns.union(test.columns))

# 筛选出至少在一个数据集里不存在的列
print("列名不匹配的详情：")
print(compare_df[compare_df.any(axis=1) == False])

这样你能一目了然看到哪些列只在训练集里有，哪些只在测试集里有。

额外小技巧：补全测试集缺失的列 #

要是发现测试集缺列，直接补上就能避免后续建模报错，比如用0填充或者训练集的均值填充：

for col in missing_cols:
    # 用0填充（适合离散特征）
    test[col] = 0
    # 或者用训练集的均值填充（适合连续特征）
    # test[col] = train[col].mean()

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