嘿，我看你已经把Gaussian Naive Bayes模型搭建完成了，要实现新数据的预测其实核心就一点：新数据的预处理逻辑必须和训练模型时完全对齐，不然模型根本没法正确理解输入。咱们一步步来搞定这个事儿：

第一步：修正训练代码的小问题并保存关键参数 #

你原来的代码里有个容易踩坑的地方：用同一个LabelEncoder处理所有类别特征。这会导致不同特征的编码规则混乱（比如workclass的"Federal-gov"和education的"Some-college"可能被编出相同的数字）。咱们先把这部分改了，同时把训练时用到的编码器、标准化参数和训练好的模型都保存下来，方便后续复用。

修正后的训练代码片段 #

# 替换原来的LabelEncoder部分，每个类别特征单独创建编码器
le_workclass = preprocessing.LabelEncoder()
workclass_cat = le_workclass.fit_transform(adult_df.workclass)

le_education = preprocessing.LabelEncoder()
education_cat = le_education.fit_transform(adult_df.education)

le_marital = preprocessing.LabelEncoder()
marital_cat = le_marital.fit_transform(adult_df.marital_status)

le_occupation = preprocessing.LabelEncoder()
occupation_cat = le_occupation.fit_transform(adult_df.occupation)

le_relationship = preprocessing.LabelEncoder()
relationship_cat = le_relationship.fit_transform(adult_df.relationship)

le_race = preprocessing.LabelEncoder()
race_cat = le_race.fit_transform(adult_df.race)

le_sex = preprocessing.LabelEncoder()
sex_cat = le_sex.fit_transform(adult_df.sex)

le_native_country = preprocessing.LabelEncoder()
native_country_cat = le_native_country.fit_transform(adult_df.native_country)

# 后续的列添加、删除、标准化逻辑和你原来的代码一致，这里省略...

# 训练模型
clf = GaussianNB()
clf.fit(features_train, target_train)

# 保存编码器、标准化参数和模型（用pickle序列化）
import pickle

# 保存所有类别特征的编码器
encoders = {
    'workclass': le_workclass,
    'education': le_education,
    'marital_status': le_marital,
    'occupation': le_occupation,
    'relationship': le_relationship,
    'race': le_race,
    'sex': le_sex,
    'native_country': le_native_country
}

with open('encoders.pkl', 'wb') as f:
    pickle.dump(encoders, f)

# 保存标准化用的均值和标准差
with open('scaled_features.pkl', 'wb') as f:
    pickle.dump(scaled_features, f)

# 保存训练好的GNB模型
with open('gnb_model.pkl', 'wb') as f:
    pickle.dump(clf, f)

第二步：编写新数据预处理函数 #

新数据必须经过和训练数据一模一样的处理：填充缺失值（用训练时的众数）、类别特征编码、数值特征标准化，还要保证特征顺序和训练时一致。咱们写个函数来封装这些逻辑：

import pandas as pd
import pickle

def preprocess_new_data(new_sample):
    # 加载之前保存的编码器和标准化参数
    with open('encoders.pkl', 'rb') as f:
        encoders = pickle.load(f)
    with open('scaled_features.pkl', 'rb') as f:
        scaled_features = pickle.load(f)
    
    # 把单条新数据转成DataFrame方便处理
    df = pd.DataFrame([new_sample])
    
    # 处理新数据中的'?'（用训练时的众数填充）
    mode_values = {
        'workclass': adult_df.describe(include='all')['workclass'][2],
        'education': adult_df.describe(include='all')['education'][2],
        'marital_status': adult_df.describe(include='all')['marital_status'][2],
        'occupation': adult_df.describe(include='all')['occupation'][2],
        'relationship': adult_df.describe(include='all')['relationship'][2],
        'race': adult_df.describe(include='all')['race'][2],
        'sex': adult_df.describe(include='all')['sex'][2],
        'native_country': adult_df.describe(include='all')['native_country'][2]
    }
    for col in mode_values.keys():
        df[col] = df[col].replace('?', mode_values[col])
    
    # 对类别特征进行编码（用训练时的编码器）
    df['workclass_cat'] = encoders['workclass'].transform(df['workclass'])
    df['education_cat'] = encoders['education'].transform(df['education'])
    df['marital_cat'] = encoders['marital_status'].transform(df['marital_status'])
    df['occupation_cat'] = encoders['occupation'].transform(df['occupation'])
    df['relationship_cat'] = encoders['relationship'].transform(df['relationship'])
    df['race_cat'] = encoders['race'].transform(df['race'])
    df['sex_cat'] = encoders['sex'].transform(df['sex'])
    df['native_country_cat'] = encoders['native_country'].transform(df['native_country'])
    
    # 删除原始类别列
    dummy_fields = ['workclass', 'education', 'marital_status', 'occupation', 'relationship', 'race', 'sex', 'native_country']
    df = df.drop(dummy_fields, axis=1)
    
    # 标准化数值特征（用训练时的均值和标准差）
    num_features = ['age', 'workclass_cat', 'fnlwgt', 'education_cat', 'education_num', 'marital_cat', 'occupation_cat', 'relationship_cat', 'race_cat', 'sex_cat', 'capital_gain', 'capital_loss', 'hours_per_week', 'native_country_cat']
    for feature in num_features:
        mean, std = scaled_features[feature]
        df[feature] = (df[feature] - mean) / std
    
    # 确保特征顺序和训练时完全一致
    required_columns = ['age', 'workclass_cat', 'fnlwgt', 'education_cat', 'education_num', 'marital_cat', 'occupation_cat', 'relationship_cat', 'race_cat', 'sex_cat', 'capital_gain', 'capital_loss', 'hours_per_week', 'native_country_cat']
    df = df.reindex(columns=required_columns)
    
    # 返回模型需要的数组格式
    return df.values

第三步：加载模型并预测新数据 #

现在就可以用预处理好的新数据喂给模型，得到预测结果了：

# 加载训练好的GNB模型
with open('gnb_model.pkl', 'rb') as f:
    trained_clf = pickle.load(f)

# 示例新数据（和你的数据集格式一致）
new_data = {
    'age': 37,
    'workclass': 'Federal-gov',
    'fnlwgt': 29054,
    'education': 'Some-college',
    'education_num': 10,
    'marital_status': 'Married-civ-spouse',
    'occupation': 'Adm-clerical',
    'relationship': 'Husband',
    'race': 'White',
    'sex': 'Male',
    'capital_gain': 0,
    'capital_loss': 0,
    'hours_per_week': 42,
    'native_country': 'United-States'
}

# 预处理新数据
processed_data = preprocess_new_data(new_data)

# 获取预测结果
prediction = trained_clf.predict(processed_data)
print(f"该样本的收入预测结果：{prediction[0]}")

额外提示 #

• 如果你要批量处理多条新数据，只需要把new_sample改成包含多个字典的列表，然后在预处理函数里直接用pd.DataFrame(new_samples)即可。
• 原代码中的reindex_axis在新版本pandas中已经被废弃，建议用reindex(columns=...)替代。
• 一定要保证新数据的特征和训练数据完全一致，比如不能少了education_num这种数值特征，不然预处理会报错。

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