我最近开始学习Python，以便为一个研究项目开发一个使用机器学习方法的预测模型。我已经使用OneHotEncoder对数据集中所有的分类变量进行了编码

    # 使用OneHotEncoder编码分类数据
    from sklearn.preprocessing import OneHotEncoder
    ohe = OneHotEncoder(handle_unknown='ignore')
    Z = ohe.fit_transform(Z)

现在我想用OneHotEncoder的结果创建一个数据框。我希望数据框的列是编码后生成的新类别，这就是为什么我使用了categories_属性。运行以下代码行时：

    ohe_df = pd.DataFrame(Z, columns=ohe.categories_)

我得到了错误：ValueError: all arrays must be same length

我理解错误信息中提到的数组是类别数组，每个数组的长度取决于它包含的类别数量，但我不确定在有多个特征的情况下，创建一个以新类别为列的数据框的正确方法是什么。

我尝试在一个只包含一个特征的小数据集上这样做，结果是成功的：

    ohe = OneHotEncoder(handle_unknown='ignore', sparse=False)
    df = pd.DataFrame(['Male', 'Female', 'Female'])
    results = ohe.fit_transform(df)
    ohe_df = pd.DataFrame(results, columns=ohe.categories_)
    ohe_df.head()
            Female  Male
    0   0.0     1.0
    1   1.0     0.0
    2   1.0     0.0

那么，我如何在包含众多特征的大数据集上做同样的事情呢？

提前感谢您。

编辑：

应要求，我提供了一个最小工作示例（MWE）来演示它为什么不起作用：

    import numpy as np
    import pandas as pd

    # 创建数据框
    df = pd.DataFrame(np.array([['Male', 'Yes', 'Forceps'], ['Female', 'No', 'Forceps and ventouse'],
                                 ['Female','missing','None'], ['Male','Yes','Ventouse']]),
                       columns=['gender', 'diabetes', 'assistance'])

    df.head()

    # 编码分类数据
    from sklearn.preprocessing import OneHotEncoder

    ohe = OneHotEncoder(handle_unknown='ignore')
    results = ohe.fit_transform(df)
    print(results)

到这一步，我已经创建了一个包含分类数据的数据框并对其进行了编码。现在我想创建另一个数据框，使新数据框的列是OneHotEncoder创建的类别，行为编码后的数据。为此，我尝试了两种方法：

    ohe_df = pd.DataFrame(results, columns=np.concatenate(ohe.categories_))

以及我尝试了：

    ohe_df = pd.DataFrame(results, columns=ohe.get_feature_names(input_features=df.columns))

这两种方法都导致了错误：ValueError: Shape of passed values is (4, 1), indices imply (4, 9)

回答：

如果我理解正确，

import numpy as np
import pandas as pd
# 创建数据框
df = pd.DataFrame(np.array([['Male', 'Yes', 'Forceps'], ['Female', 'No', 'Forceps and ventouse'],
                            ['Female','missing','None'], ['Male','Yes','Ventouse']]),
                     columns=['gender', 'diabetes', 'assistance'])
df.head()
# 编码分类数据
from sklearn.preprocessing import OneHotEncoder
ohe = OneHotEncoder(handle_unknown='ignore')
results = ohe.fit_transform(df)
df_results = pd.DataFrame.sparse.from_spmatrix(results)
df_results.columns = ohe.get_feature_names(df.columns)
df_results

输出：

   gender_Female  gender_Male  diabetes_No  diabetes_Yes  diabetes_missing  assistance_Forceps  assistance_Forceps and ventouse  assistance_None  assistance_Ventouse
0            0.0          1.0          0.0           1.0               0.0                 1.0                              0.0              0.0                  0.0
1            1.0          0.0          1.0           0.0               0.0                 0.0                              1.0              0.0                  0.0
2            1.0          0.0          0.0           0.0               1.0                 0.0                              0.0              1.0                  0.0
3            0.0          1.0          0.0           1.0               0.0                 0.0                              0.0              0.0                  1.0

注意，ohe.fit_transform(df)的输出是一个稀疏矩阵。

print(type(results))
<class 'scipy.sparse.csr.csr_matrix'>

您可以使用pd.DataFrame.sparse.from_spmatrix将其转换为数据框。然后，我们可以使用ohe.get_feature_names并传入原始数据框的列来命名结果数据框df_results的列。