pd.get_dumpies()方法分别调用导致训练集和测试集维度不同（未对齐）

问题

利用sklearn进行数据预处理，sklearn对列的排序很敏感，因此如果训练数据集和测试数据集未对齐，则结果将是无意义的。如果分类在训练数据中与测试数据具有不同数量的值，则可能发生这种情况。

解决方法

思路

我们可以使用aligen命令确保住居的编码方式与训练数据相同，align命令确保列在两个数据集中以相同的顺序显示（它使用列名来标识每个数据集中的哪些列对齐。）参数join ='left’指定我们将执行等效的SQL左连接。这意味着，如果有一列显示在一个数据集而不是另一个数据集中，我们将保留我们的训练数据中的列。参数join ='inner’将执行SQL数据库调用内连接的操作，仅保留两个数据集中显示的列。

示例代码

one_hot_encoded_training_predictors = pd.get_dummies(train_predictors)
one_hot_encoded_test_predictors = pd.get_dummies(test_predictors)
final_train, final_test = one_hot_encoded_training_predictors.align(one_hot_encoded_test_predictors,
                                                                    join='left', 
                                                                    axis=1)

参考

https://www.kaggle.com/dansbecker/using-categorical-data-with-one-hot-encoding