这四个函数对我来说看起来非常相似。在某些情况下，它们中的一些可能会给出相同的结果，而有些则不会。任何帮助都将不胜感激！
现在我知道了，并且我假设在内部，factorize 和 LabelEncoder 的工作方式相同，在结果方面没有太大的差异。我不确定它们在处理大量数据时是否会占用相似的时间。
get_dummies 和 OneHotEncoder 会产生相同的结果，但 OneHotEncoder 只能处理数字，而 get_dummies 可以接受各种类型的输入。get_dummies 会为每个输入列自动生成新的列名，但 OneHotEncoder 不会（它会分配新的列名 1,2,3…）。因此，get_dummies 在各个方面都更好。
如果我错了，请纠正我！谢谢你！
回答：
这四个编码器可以分为两类：
- 将标签编码为分类变量：Pandas 的
factorize和 scikit-learn 的LabelEncoder。结果将具有一维。 - 将分类变量编码为虚拟/指示（二进制）变量：Pandas 的
get_dummies和 scikit-learn 的OneHotEncoder。结果将有 n 维，每个编码的分类变量的不同值对应一个维度。
Pandas 和 scikit-learn 编码器之间的主要区别在于，scikit-learn 编码器设计用于在scikit-learn 管道中使用，具有 fit 和 transform 方法。
将标签编码为分类变量
Pandas 的 factorize 和 scikit-learn 的 LabelEncoder 属于第一类。它们可以用于创建分类变量，例如将字符转换为数字。
from sklearn import preprocessing # 测试数据
df = DataFrame(['A', 'B', 'B', 'C'], columns=['Col'])
df['Fact'] = pd.factorize(df['Col'])[0]
le = preprocessing.LabelEncoder()
df['Lab'] = le.fit_transform(df['Col'])
print(df)
# Col Fact Lab
# 0 A 0 0
# 1 B 1 1
# 2 B 1 1
# 3 C 2 2将分类变量编码为虚拟/指示（二进制）变量
Pandas 的 get_dummies 和 scikit-learn 的 OneHotEncoder 属于第二类。它们可以用于创建二进制变量。OneHotEncoder 只能用于分类整数，而 get_dummies 可以用于其他类型的变量。
df = DataFrame(['A', 'B', 'B', 'C'], columns=['Col'])
df = pd.get_dummies(df)
print(df)
# Col_A Col_B Col_C
# 0 1.0 0.0 0.0
# 1 0.0 1.0 0.0
# 2 0.0 1.0 0.0
# 3 0.0 0.0 1.0
from sklearn.preprocessing import OneHotEncoder, LabelEncoder
df = DataFrame(['A', 'B', 'B', 'C'], columns=['Col'])
# 我们需要先将字符转换为整数，以便使用 OneHotEncoder
le = preprocessing.LabelEncoder()
df['Col'] = le.fit_transform(df['Col'])
enc = OneHotEncoder()
df = DataFrame(enc.fit_transform(df).toarray())
print(df)
# 0 1 2
# 0 1.0 0.0 0.0
# 1 0.0 1.0 0.0
# 2 0.0 1.0 0.0
# 3 0.0 0.0 1.0我还基于这个回答写了一篇更详细的文章。
