假设我有一个5000行的矩阵，包含10列，其中大部分列都填充了分类数据（字符串），每列有10到30个不同的字符串。用Python处理这种数据的最佳方法/算法是什么？使用OneHotEncoder会生成一个非常大的矩阵。

回答：

Scikit-learn的one-hot编码器默认使用稀疏矩阵，因此矩阵的实际形状不是问题（因为它不会存储非零条目）。

一些简单的sklearn算法（线性模型、树、朴素贝叶斯）能够处理这种稀疏数据 – 具体示例请参见计算性能部分或使用稀疏特征对文本文档进行分类