在Sklearn中，如何在LabelEncoding之后进行OneHotEncoding？
到目前为止，我已经对数据集中所有的字符串特征进行了映射，如下所示。
# Categorical boolean maskcategorical_feature_mask = X.dtypes==object# filter categorical columns using mask and turn it into a listcategorical_cols = X.columns[categorical_feature_mask].tolist()之后，我对数据集的列应用了如下索引操作：
X[categorical_cols] = X[categorical_cols].apply(lambda col: le.fit_transform(col))我的结果不太理想，所以我想使用ÒneHotEncoding来看看性能是否有所提升。
这是我的代码：
ohe = OneHotEncoder(categorical_features = categorical_cols)X[categorical_cols] = ohe.fit_transform(df).toarray()我尝试了不同的方法，但我想在这里实现的是使用OneHotEncoding技术来覆盖特征。
回答：
OneHotEncoder直接支持分类特征，因此在使用之前无需使用LabelEncoder。另外，请注意，不应该使用LabelEncoder来编码特征。查看LabelEncoder for features?以获取关于此的详细解释。在这里，LabelEncoder只在实际目标上才有意义。
因此，选择分类列（通常使用df.select_dtypes），并在指定的列上进行拟合。这里是一个你可以继续操作的草图：
# OneHot encoding categorical columnsoh_cols = df.select_dtypes('object').columnsX_cat = df[oh_cols].to_numpy()oh = OneHotEncoder()one_hot_cols = oh.fit(X_cat)然后只需调用编码器的transform方法。如果你想重建数据框（如你的代码所示），get_feature_names将为你提供分类特征的类别名称：
df_prepr = pd.DataFrame(one_hot_cols.transform(X_cat).toarray(), columns=one_hot_cols.get_feature_names(input_features=oh_cols))