我是Python初学者…

我正在尝试理解如何使用sklearn.preprocessing库中的OneHotEncoder。我对结合fit_transform使用它感到相当自信，这样结果也可以适应测试数据框。但我感到困惑的是如何处理编码后的数组。您是将ohe结果转换回数据框并附加到现有的训练/测试数据框中吗？

ohe方法似乎比pd.get_dummies方法麻烦得多，但据我所知，使用带有fit_transform的ohe可以更容易地对测试数据应用相同的转换。

我已经搜索了几个小时，试图找到一个好的答案，但遇到了很多困难。

以广泛使用的泰坦尼克号数据集为例：

ohe = OneHotEncoder()imp = SimpleImputer()ct = make_column_transformer(    (imp, ['Age']),    (ohe, ['Sex', 'Embarked']),    remainder='passthrough')ct.fit_transform(train)

结果：

array([[22.        ,  0.        ,  1.        , ...,  1.        ,         0.        ,  7.25      ],       [38.        ,  1.        ,  0.        , ...,  1.        ,         0.        , 71.2833    ],       [26.        ,  1.        ,  0.        , ...,  0.        ,         0.        ,  7.925     ],       ...,       [29.69911765,  1.        ,  0.        , ...,  1.        ,         2.        , 23.45      ],       [26.        ,  0.        ,  1.        , ...,  0.        ,         0.        , 30.        ],       [32.        ,  0.        ,  1.        , ...,  0.        ,         0.        ,  7.75      ]])

您是将结果数组直接传递给一个变量，例如X和y用于train_test_split来运行最终模型吗？还是有办法将结果转换回带有列标签的数据框以进行进一步的EDA？

回答：

您的直觉是正确的：pandas.get_dummies() 使用起来确实更容易，但使用OHE的优势在于它总是会对未见过的数据应用相同的转换。您还可以使用pickle或joblib导出实例并在其他脚本中加载它。

可能有办法直接将编码列重新附加到原始的pandas.DataFrame。就我个人而言，我采取了较长的方法。也就是说，我对编码器进行拟合，转换数据，将输出附加回数据框，并删除原始列。

# 要编码的列cols = ['Sex','Embarked']# 初始化编码器ohe = OneHotEncoder()# 拟合数据ohe.fit(df[cols])# 在`df`中声明编码数据为新列df[ohe.get_feature_names] = ohe.transform(df[cols])# 删除未编码的列df.drop(cols, axis=1, inplace=True)

最后，我注意到您说：

我对结合fit_transform使用它感到相当自信，这样结果也可以适应测试数据框。

我想指出，您不应该再次拟合编码器！相反，在处理新数据时，您应该使用ohe.transform(X_test[cols])。不要再次使用fit_transform()，否则结果可能会因数据集而异。