训练后直接访问feature_importances_属性即可获取归一化特征重要性，其值和为1.0、长度等于特征数，需确保已调用fit()且结合原始列名排序解读。
用 feature_importances_ 画柱状图最直接
树模型（如 RandomForestClassifier、XGBClassifier）训练完后，直接取 feature_importances_ 属性就能拿到数值，这是最常用也最稳妥的来源。注意它返回的是 NumPy 数组，顺序严格对应 feature_names_in_（如果用了 fit 且输入是 DataFrame）或你传入的列顺序。
实操建议：
- 务必先检查
model.feature_names_in_是否存在，不存在就用range(len(model.feature_importances_))当标签，但容易搞混特征含义 - 别直接对原始数组排序后画图——要同步重排特征名，否则标签和数值错位
- 用
plt.barh()比plt.bar()更易读，尤其特征多时 - 加
xlim=(0, max_importance * 1.05)避免数值贴边
用 permutation_importance 更可靠但更慢
permutation_importance 不依赖模型内部机制，而是通过打乱单个特征后看评估指标下降多少来衡量重要性，结果通常比 feature_importances_ 更符合实际预测逻辑，尤其对线性模型或存在强相关特征时。
常见错误现象：
- 忘记传
scoring参数，默认用模型的score()方法，可能和你的业务指标不一致（比如分类默认是 accuracy，但你关心 f1） - 没设
n_repeats，默认只打乱一次，方差大；建议至少n_repeats=5 - 传入的
X和y必须和训练时完全同分布，不能是 scaled 后没 inverse 的数据
示例关键行：
from sklearn.inspection import permutation_importance<br>perm_imp = permutation_importance(model, X_val, y_val, n_repeats=5, scoring='f1_weighted')
用 SHAP 解释单样本预测但别滥用全局排序
SHAP 值能给出每个样本每个特征的贡献值，适合调试异常预测或向业务方解释“为什么这个用户被拒贷”。但很多人误把所有样本的 |SHAP| 均值当全局重要性——这在特征量纲差异大、稀疏性高时会严重失真。
librosa Python 音频与音乐分析库
下载
librosa 是一个用于音频和音乐分析的 Python 库。它提供了特征提取、频谱分析、节拍跟踪、起始检测和音频可视化的工具，基于 NumPy 和 SciPy 构建，用于科学音频计算。
使用场景限制：
- 树模型优先用
TreeExplainer，比KernelExplainer快几个数量级且精确 - 计算前必须调用
explainer(X_train[:100])预先拟合，否则explainer(X_test)会极慢 - 画全局图推荐
shap.summary_plot(shap_values, X, plot_type="bar")，别用点图（dot plot）当重要性排序 - 如果
X是 DataFrame，确保列名没空格或特殊字符，否则 SHAP 会静默失败
中文标签、负值、长名导致图表难读怎么办
真实项目里常遇到特征名是中文、带下划线、甚至超长（如 user_last_7d_avg_purchase_amount_log1p），直接塞进图表会重叠或截断。
解决办法很具体：
- 用
plt.yticks(fontsize=8)缩小字号，配合plt.tight_layout() - 长名做截断：
[n[:15] + '...' if len(n) > 15 else n for n in feature_names] - 中文显示需提前设置字体：
plt.rcParams['font.sans-serif'] = ['SimHei', 'Arial Unicode MS'] - 如果有负重要性（如某些线性模型系数），柱状图仍可画，但得用
plt.barh()+color=['red' if x
真正麻烦的是不同模型输出的重要性无法直接比较——RandomForest 的 0.12 和 LogisticRegression 的 0.12 含义完全不同。别拼在一起排榜，更别拿它们做特征筛选的唯一依据。
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
