我正在尝试在泰坦尼克数据集（pandas数据框）的一个子集上使用sklearn的OneHotEncoder。

文档中写道

“默认情况下，编码器会根据每个特征中的唯一值来推导类别。或者，您也可以手动指定类别。”

并且还指出我不需要指定类别，因为它是自动完成的

‘auto’ : 从训练数据中自动确定类别。（默认）

因此，我编写了以下代码：

print(x_train.head())enc = OneHotEncoder(handle_unknown="ignore")print("_____________")print(x_train.shape)x_train = enc.fit_transform(x_train)print(x_train.shape)print(x_train.toarray())

并得到以下输出

     Pclass   Sex        Age  SibSp  Parch     Fare Cabin Embarked845       3  male  42.000000      0      0   7.5500  None        S162       3  male  26.000000      0      0   7.7750  None        S630       1  male  80.000000      0      0  30.0000   A23        S176       3  male  29.699118      3      1  25.4667  None        S115       3  male  21.000000      0      0   7.9250  None        S_____________(712, 8)(712, 460)[[0. 0. 1. ... 0. 0. 1.] [0. 0. 1. ... 0. 0. 1.] [1. 0. 0. ... 0. 0. 1.] ... [0. 0. 1. ... 0. 0. 1.] [1. 0. 0. ... 0. 0. 1.] [0. 0. 1. ... 0. 0. 1.]]

因此，我可以看到添加了更多的特征（正如预期的那样），但实际上编码了哪些类别？所有类别吗？如果是的话，年龄有一个有限的“类别”数量，但显然不是分类变量。这不是问题吗？如果它使用pandas数据框的列类型来决定是否进行独热编码，那么对于类型为int但显然是分类变量的“Pclass”会发生什么情况呢？

回答：

您必须定义您的分类变量，然后将OneHotEncoder应用于这些特征。

如果您不定义分类特征，OneHotEncoder将对所有特征（无论是否为分类）进行编码。

因此，我强烈建议您事先定义分类特征，并对其应用OneHotEncoder。