您可以通过以下方式获取功能名称：
model.get_booster().feature_names

你是对的，当你把NumPy数组传递给XGBoost的fit方法时，你会丢失特性名称。在这种情况下，调用model.get_booster().feature_names是没有用的，因为返回的名称是[f0, f1, ..., fn]的形式，并且这些名称也显示在plot_importance方法的输出中。
但应该有几种方法来实现你想要的-假设你存储你的原始功能名称的地方，例如orig_feature_names = ['f1_name', 'f2_name', ..., 'fn_name']或直接orig_feature_names = X.columns，如果X是PandasDataFrame。
然后，您应该能够：

• 更改存储的要素名称（model.get_booster().feature_names = orig_feature_names），然后使用plot_importance方法，该方法应已采用更新后的名称并将其显示在图上
• 或者因为这个方法返回matplotlib ax，你可以使用plot_importance(model).set_yticklabels(orig_feature_names)修改标签（但是你必须设置正确的要素顺序）
• 或者你可以把model.feature_importances_和你原来的特性名自己合并（即自己绘制）
• 类似地，您也可以使用model.get_booster().get_score()方法，并将其与特性名称结合使用
• 或者您可以尝试使用xgboost DMatrix学习API，并在使用train_data = xgb.DMatrix(X, label=Y, feature_names=orig_feature_names)创建数据集（缩放后）期间指定您的特征名称（但我对这种培训方式没有太多经验，因为我通常使用Scikit-Learn API）
  编辑：

感谢@Noob Programmer（见下面的评论），使用不同的特征重要性方法可能会有一些“不一致”。这些是最重要的：

• xgboost.plot_importance使用“权重”作为默认重要性类型（请参见plot_importance）
• model.get_booster().get_score()也使用“weight”作为默认值（请参见get_score）
• model.feature_importances_依赖于 importance_type 参数（model.importance_type），似乎结果被归一化为1的和（参见此注解）

有关此主题的详细信息，请参阅How to get feature importance。

我尝试了上面的答案，但在训练后加载模型时不起作用。因此，我的工作代码是：

model.feature_names

它将返回要素名称的列表

我想，最好是把numpy数组变回PandasDataFrame。

import pandas as pd
from sklearn.preprocessing import MinMaxScaler
from xgboost import XGBClassifier

Y=label

X_df = pd.read_csv("train.csv")
orig_feature_names = list(X_df.columns)

scaler = MinMaxScaler(feature_range=(0, 1))
X_scaled_np = scaler.fit_transform(X_df)
X_scaled_df = pd.DataFrame(X_scaled_np, columns=orig_feature_names)

my_model_name = XGBClassifier(max_depth=2, n_estimators=2)
my_model_name.fit(X_scaled_df,Y)

xgb.plot_importance(my_model_name)
plt.show()

这将显示原始名称。