SelectKBest需依目标变量类型和特征分布选score_func：分类用chi2（X≥0）、f_classif（X连续近正态）或mutual_info_classif（无分布假设）；回归用f_regression（线性）或mutual_info_regression（非线性）；稀疏二分类必用chi2。

SelectKBest 不是“选前 K 个特征”那么简单——它按统计得分排序后取 top-K，但得分计算方式取决于你传入的 score_func，选错函数会导致特征被误筛，尤其在非线性关系或分类目标下。

怎么选对 score_func？看目标变量类型和特征分布

选错函数比不筛选更危险：比如用 f_classif 处理类别型特征（如 one-hot 后的 city_A、city_B），会因方差为 0 报 ValueError: Input X must be non-negative；又比如对高偏态连续特征直接套 f_regression，线性假设失效，得分失真。

• 分类任务（y 是离散标签）：优先用 chi2（要求 X ≥ 0）、f_classif（要求 X 连续且近似正态）、mutual_info_classif（无分布假设，但需设 random_state 保证可复现）
• 回归任务（y 是连续值）：用 f_regression（快但假设线性），或 mutual_info_regression（慢但能捕获非线性）
• 二分类且特征稀疏（如 TF-IDF）：必须用 chi2，f_classif 会报错

为什么 fit_transform() 后特征顺序变了，但列名丢了？

SelectKBest 只返回 numpy 数组，不保留列名。如果你依赖列名做后续解释（比如画重要性图、对接下游模型特征工程），必须手动映射回来。

提示词大师-python版

图片提示词生成器？不止如此。 马甲系统 —— 把脑海中的画面，翻译成AI能理解的专业表达。 用得越多，它越懂你：首次需要多问几句确认方向，用久了几乎一说就懂。 用得越多，它越快：缓存机制让后续对话越来越省。 RAG进化：成功案例持续入库，越跑越聪明。 输入「新手指南」查看完整功能介绍

下载

• 先用 selector.get_support() 拿到布尔索引，再用它筛选原始 DataFrame 列名：

  mask = selector.get_support()<br>selected_cols = X_df.columns[mask].tolist()

• 别直接用 X_selected = pd.DataFrame(selector.fit_transform(X, y))——列名全变成 0,1,2…
• 如果 pipeline 中要用，建议包一层自定义 transformer，重写 get_feature_names_out 方法

用 k=10 真的就只留 10 个？小心数据泄漏和重复计算

常见陷阱：在交叉验证外一次性 fit 整个训练集，导致验证时信息泄露；或者在标准化前用 SelectKBest，让方差大的数值特征天然占优，掩盖了类别特征的真实贡献。

立即学习“Python免费学习笔记（深入）”；

• 务必把 SelectKBest 套进 Pipeline，和 StandardScaler 或 OneHotEncoder 一起 fit：

  pipe = Pipeline([<br>    ('scaler', StandardScaler()),<br>    ('skb', SelectKBest(score_func=f_classif, k=10)),<br>    ('clf', LogisticRegression())<br>])

• k 是绝对数量，不是比例。当训练集样本数 f_classif 的 F 统计量不稳定，建议换 mutual_info_classif 或增大 k
• 同一特征在不同折中可能被筛掉/留下——这不是 bug，是正常现象，说明该特征稳定性差

真正难的不是调 k，而是确认 score_func 和你的数据生成机制是否匹配；很多人卡在 chi2 报错却去查数据缺失，其实只是忘了先把负值特征截断或改用其他函数。