如何通过python搭建一个BP神经网络，并能在训练集训练后，将同列数的测试集也投入算出预测值

要搭建一个BP神经网络，可以使用Python中的第三方库Keras或PyTorch。以下是一个使用Keras搭建BP神经网络的示例代码：

from keras.models import Sequential
from keras.layers import Dense

# 构建模型
model = Sequential()
model.add(Dense(10, input_dim=8, activation='relu')) # 输入层
model.add(Dense(8, activation='relu')) # 隐藏层
model.add(Dense(1, activation='sigmoid')) # 输出层

# 编译模型
model.compile(loss='binary_crossentropy', optimizer='adam', metrics=['accuracy'])

# 训练模型
model.fit(X_train, y_train, epochs=150, batch_size=10)

# 在测试集上进行预测
predictions = model.predict(X_test)

其中，`X_train`和`y_train`是训练集的特征和标签，`X_test`是测试集的特征。在训练模型后，使用`model.predict(X_test)`可以得到测试集上的预测结果。

需要注意的是，在使用神经网络进行预测时，输入的特征需要和训练集中的特征保持一致，即具有相同的特征数和特征顺序。否则，模型将无法正确预测。