在sklearn中使用DataFrame的一些问题（训练集与测试集列顺序问题）

问题1 DataFrame能直接做训练集和测试集吗？

猜想

最近使用sklearn的模型的时候发现训练集可以直接传入pandas的DataFrame进行训练，而且进行预测的时候也可以直接传入DataFrame，我以为sklearn可以直接识别DataFrame中数据列的顺序，即使列的顺序是乱的也可以直接进行预测，于是做了个测试。

测试

这里训练集的x_train，测试集是x_test：

这个时候顺序是一样的，这个时候预测结果是2.6+：

然后把测试集的顺序乱一下：

这里把测试集中的列a和列c调换了一下位置，得出的结果是3.8+：

其实如果把列名乱填的话

结果也是3.8+：

所以说之前的想法是错误的

结论

如果想要往sklearn的模型中传入DataFrame的话，列名的顺序必须是一样的，应该是传入的时候调用的as_matrix()方法，直接传入的矩阵，列什么的sklearn并不会关心。

问题2 训练集和测试集列数一样但是顺序不同怎么办？

但是如果我的训练集和测试集都是DataFrame格式的，列数一样但是顺序不一样，想要放进sklearn里进行训练和预测，那该怎么办呢？

这个时候使用：

[python] view plain

1. x_test[x_train.columns]  

问题3 训练集的列数和测试集不一样怎么办？

还有一种情况是训练集的列数和测试集的不一样

像下面这个例子，训练集缺失了good_d，更多的的情况是缺很多列

训练集和测试集分别处理哑变量的情况下会出现这种问题，不知道大家是怎么解决的？

如果训练集中没有测试集中的列，是不是应该把测试集中对应的列删掉；

如果测试集中没有训练集中的列，通常这种情况是要把缺失的列补上并且填充一个0，那么怎么做呢？

我目前的解决方法是这样的，和解决问题2的方法类似。总感觉有点笨，不知道还有没有好的解决方案。

其他

DataFrame的filter方法是个选择特征列好方法，可以用正则表达式匹配需要选择的列，很好用。