【问题标题】：How to align training and test set when using pandas `get_dummies` with `drop_first=True`?使用 pandas `get_dummies` 和 `drop_first=True` 时如何对齐训练和测试集？
【发布时间】：2019-06-06 07:11:00
【问题描述】：
我有一个来自电信公司的数据集，其中包含许多分类特征。我使用pandas.get_dummies 方法将它们转换为一种带有drop_first=True 选项的热编码格式。现在如何使用 predict 函数，测试输入数据需要以相同的方式编码，因为 drop_first=True 选项也删除了一些列，我如何确保以类似的方式进行编码。
编码前的数据集形状：(7043, 21)
编码后的数据集形状：(7043, 31)
【问题讨论】：
标签：
python
machine-learning
sklearn-pandas
one-hot-encoding
【解决方案1】：
当不使用drop_first=True时，您有两种选择：
在训练集和测试集拆分数据之前执行 one-hot 编码。 （或者合并数据集，进行one-hot编码，再拆分数据集）。
在 one-hot 编码后对齐数据集：内连接会删除其中一组中不存在的特征（无论如何它们都无用）。 train, test = train.align(test, join='inner', axis=1)
您（正确地）注意到方法 2 可能无法达到您的预期，因为您使用的是drop_first=True。所以你只剩下方法1了。