方法之间传参，借用main

代码中的 X_train 是在 train_and_evaluate() 方法中定义的，但 plot_feature_importance() 需要使用它。由于 X_train 不是 main() 里的变量，plot_feature_importance() 直接访问它时会报 NameError。

---

解决方案

✅ 方法 1（推荐）：修改 train_and_evaluate()，返回 X_train

既然 train_and_evaluate() 里定义了 X_train，最好的做法是让它返回 X_train，然后 main() 里接收并传递给 plot_feature_importance()。

修改 train_and_evaluate()

def train_and_evaluate(X, y):
    X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
    
    model = RandomForestClassifier()
    model.fit(X_train, y_train)
    
    return model, X_train  # 让 X_train 也返回

---

修改 main()

def main():
    data = load_data()
    X_processed, y = data_preprocessing(data)
    
    # 训练模型并获取 X_train
    model, X_train = train_and_evaluate(X_processed, y)

    # 获取特征名称（确保 X_train 是 DataFrame）
    feature_names = X_train.columns.tolist()  

    # 传递 X_train 给 plot_feature_importance()
    plot_feature_importance(model, X_train, feature_names)

---

修改 plot_feature_importance()

def plot_feature_importance(model, X_train, feature_names):
    importances = model.feature_importances_
    indices = np.argsort(importances)[::-1]

    plt.bar(range(X_train.shape[1]), importances[indices], align="center")
    plt.xticks(range(X_train.shape[1]), feature_names, rotation=90)
    plt.xlabel("Feature Index")
    plt.ylabel("Feature Importance")
    plt.title("Feature Importance Plot")
    plt.show()

这样 X_train 就能从 train_and_evaluate() 传递到 plot_feature_importance()，不会再报 NameError 了！🚀

---

❌ 方法 2（不推荐）：使用全局变量

另一种方式是 使用全局变量 X_train，但不推荐，因为这样代码不清晰，容易导致变量污染：

global X_train  # 声明全局变量
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

然后 plot_feature_importance() 直接使用 X_train，但这样代码的可维护性差，不建议。

---

总结

✅ 推荐方法 1（最佳）

• 修改 train_and_evaluate()，让它返回 X_train，并在 main() 里传递给 plot_feature_importance()。
  ❌ 不推荐方法 2（使用 global X_train）
• 全局变量污染代码，可读性差。

最终修改后，plot_feature_importance() 就能正确访问 X_train 了！🚀