我有一个类似于下面的数据框架：

   salary   job title  Raiting   Company_Name  Location   Seniority  0  100         SE         5          apple        sf          vp1  120         DS         4         Samsung       la          Jr2  230         QA         5         google        sd          Sr

（我的df包含比这更多的分类特征）

通常，在从模型中进行预测时，过程大致如下：

in[1]: inModel_name.predict(catagory_1, catagory_2,..etc)out[2]: predicted_var

然而，在使用pd.get_dummies之后，根据你创建的分类特征数量，列的数量会大幅增加，使得之前提到的方法在预测数据时变得不切实际。你如何引用多个列而不是手动输入0呢？

回答：

我建议不要使用pd.get_dummies，而是使用sklearn的OneHotEncoder。

请查看这个链接，了解如何用适当的数据编码方法替代pd.get_dummies。

这样，你可以在训练数据上使用.fit_transform来获得用于训练的一热编码表示。而在使用测试数据进行预测时，你可以简单地使用其.transform方法来获得那些数据的一热编码表示。

from sklearn.preprocessing import OneHotEncoderenc = OneHotEncoder(handle_unknown='ignore')X = [['Male', 1], ['Female', 3], ['Female', 2]]enc.fit(X)enc.categories_

[array(['Female', 'Male'], dtype=object), array([1, 2, 3], dtype=object)]

enc.transform([['Female', 1], ['Male', 4]]).toarray()

array([[1., 0., 1., 0., 0.],       [0., 1., 0., 0., 0.]])