诀窍在于，在训练好模型之后，您就知道了系数的顺序：

model_1 = linear_model.LinearRegression()
model_1.fit(train_data[model_1_features], train_data['price'])
print(list(zip(model_1.coef_, model_1_features)))

这将打印系数和正确的特征。（用Pandas数据框测试）
如果您想在以后重用这些系数，也可以将它们放入字典中：

coef_dict = {}
for coef, feat in zip(model_1.coef_,model_1_features):
    coef_dict[feat] = coef

(You我可以通过训练两个具有相同特征的模型来自己测试它，但正如您所说，特征的顺序被打乱了。）

import pandas as pd

import numpy as np

from sklearn.linear_model import LinearRegression

regressor = LinearRegression()
regressor.fit(X_train, y_train)

coef_table = pd.DataFrame(list(X_train.columns)).copy()
coef_table.insert(len(coef_table.columns),"Coefs",regressor.coef_.transpose())

@Robin贴出了一个很棒的答案，但对我来说，我必须对它做一个调整才能按我想要的方式工作，它是引用我想要的'coef_' np.数组的维度，即修改为：模型_1.coef_[0，：]，如下所示：

coef_dict = {}
for coef, feat in zip(model_1.coef_[0,:],model_1_features):
    coef_dict[feat] = coef

然后，dict就像我想象的那样被创建了，代码为{'feature_name'：系数_值}对。

下面是我在Jupyter中用来漂亮打印系数的方法。我不确定我是否明白为什么顺序是一个问题--据我所知，系数的顺序应该与输入数据的顺序相匹配。
请注意，第一行假设您有一个名为df的Pandas数据框，在将数据转换为numpy数组进行回归之前，您最初将数据存储在该数据框中：

fieldList = np.array(list(df)).reshape(-1,1)

coeffs = np.reshape(np.round(clf.coef_,5),(-1,1))
coeffs=np.concatenate((fieldList,coeffs),axis=1)
print(pd.DataFrame(coeffs,columns=['Field','Coeff']))

借用Robin的话，但简化了语法：

coef_dict = dict(zip(model_1_features, model_1.coef_))

关于zip的重要说明：zip假设其输入长度相等，因此确认特征和系数的长度匹配（在更复杂的模型中可能不是这种情况）尤为重要。如果一个输入比另一个长，则较长的输入将截断其额外索引位置的值。请注意以下示例中缺少的7：

In [1]: [i for i in zip([1, 2, 3], [4, 5, 6, 7])]
Out[1]: [(1, 4), (2, 5), (3, 6)]

pd.DataFrame(data=regression.coef_, index=X_train.columns)

所有这些答案都很棒，但对我个人来说，最有效的是这个，因为我需要的特性名称是train_date Dataframe 的列：

pd.DataFrame(data=model_1.coef_,columns=train_data.columns)

训练完模型后，系数值存储在变量model.coef_[0]中，我们可以迭代列名，并将列名及其系数值存储在字典中。

model.fit(X_train,y)
# assuming all the columns except last one is used in training
columns = data.iloc[:,-1].columns
dict = {}
for i in range(0,len(columns)):
  dict[columns[i]] = model.coef_[0][i]

希望这有帮助!