输入数据：
在train/目录下包含一个train.csv文件，其中每行表示数据的一条记录。文件中每行共有18列，列income为收入分类(0表示小于等于50k，1表示大于50k）。其余各列为数据对象的各项参数特征（连续属性：age、fnlwgt、education-num、capital-gain；workclass、capital-loss、hours-per-week；离散属性：education、marital-status、occupation、relationship、race、sex、native-country）。训练数据集可在教学资料中下载，微文件名：xgboost-train.csv。
在test/目录下包含一个test.csv文件，与train.csv类似，只不过test.csv不包含income列，您需要根据参数给出预测。
输出数据：
您的程序需要生成一个result.csv文件，用于保存您程序的预测结果。第一行固定为income，之后每一行为一个1或0的值表示预测结果。
评价指标：
准确率。
输入样例：
age,workplace,id,education,education_num,marital_status,occupation,relationship,race,sex,capital_gain,capital_loss,hours_per_week,native_country,income
39, State-gov,77516, Bachelors,13, Never-married, Adm-clerical, Not-in-family, White, Male,2174,0,40, United-States,0
50, Self-emp-not-inc,83311, Bachelors,13, Married-civ-spouse, Exec-managerial, Husband, White, Male,0,0,13, United-States,0
38, Private,215646, HS-grad,9, Divorced, Handlers-cleaners, Not-in-family, White, Male,0,0,40, United-States,0
输出样例：
income
1
0
0
0
1代码：
import pandas as pd
import xgboost as xgb
# 加载数据
train_data = pd.read_csv('train/train.csv')
test_data = pd.read_csv('test/test.csv')
# 分离特征和标签
X_train = train_data.drop('income', axis=1)
y_train = train_data['income']
X_test = test_data
# print(X_test)
# 独热编码类别型特征
X_train = pd.get_dummies(X_train)
X_test = pd.get_dummies(X_test)
# 确保训练集和测试集有相同的列
X_test = X_test.reindex(columns=X_train.columns, fill_value=0)
# 训练XGBoost模型
xgb_model = xgb.XGBClassifier(objective='binary:logistic')
xgb_model.fit(X_train, y_train)
# 预测测试数据
predictions = xgb_model.predict(X_test)
# 将预测结果写入CSV文件
result_df = pd.DataFrame({'income': predictions})
result_df.to_csv('result.csv', index=False)Tips：仅为样例代码。