pd.get_dummies() 默认不会删掉一列，drop_first=False 是默认值，即对k个类别生成k列；只有显式设置 drop_first=True 才会删除首列以避免多重共线性。
get_dummies 为什么默认会删掉一列？
pandas.get_dummies 对分类变量做 One-Hot 编码时，默认对每个变量保留所有类别列（除非显式设置 drop_first=True）。但很多人发现结果里某列“不见了”——这通常是因为数据中该列本身是 object 类型，且只含一个唯一值，或存在全 NaN 列被自动忽略；更常见的是你用了 drop_first=True 却没意识到它在起作用。
真正影响列数的关键参数是：
-
drop_first=False（默认）：生成 k 个二进制列对应 k 个唯一值 -
drop_first=True：只生成 k−1 列，避免多重共线性（回归建模常用） -
dummy_na=False（默认）：NaN不单独成列；设为True才会多出一列colname_nan
例如：pd.get_dummies(df[['color']], drop_first=True) 遇到 ['red', 'blue', 'green'] 会输出两列，而非三列。
如何处理含 NaN 或空字符串的分类列？
原始数据里常混着 NaN、空格、空字符串 ''，而 get_dummies 默认把 NaN 当缺失、不编码，空字符串则会被当成合法类别——导致意外多出一列 colname_（下划线结尾）。
稳妥做法是预清洗：
- 用
df['col'].replace('', np.nan).fillna('missing')统一空值 - 或提前过滤掉低频/非法值：
df['col'] = df['col'].where(df['col'].isin(['A','B','C']), 'other') - 若想让
NaN参与编码，必须加dummy_na=True，否则它直接被丢弃
注意：dummy_na=True 和 drop_first=True 可共存，但逻辑上先加 NaN 列再删首列，顺序不可逆。
和 sklearn 的 OneHotEncoder 相比，get_dummies 缺什么？
get_dummies 是一次性转换，没有 fit/transform 分离，无法保存编码规则。部署时若新数据出现训练期没见过的类别，就会报错或漏列——sklearn.OneHotEncoder(handle_unknown='ignore') 才能安全应对。
典型问题场景：
- 训练集有
['cat','dog']，测试集突然来个'bird'→get_dummies会多出一列，维度不匹配 - 线上 infer 时字段值动态增加 → 必须用可序列化的 encoder
- 需要和 Pipeline 链式调用 →
get_dummies是函数，不是 transformer
临时补救：用 pd.concat([train_dum, test_dum], sort=False).fillna(0) 对齐列，但易错且不推荐用于生产。
怎样只对部分列做 get_dummies 而保留其余列？
直接传入列名列表最安全：pd.get_dummies(df, columns=['col1', 'col2'], drop_first=True)。它会自动保留其他列（数值列、未指定的 object 列），并把新生成的 dummy 列追加到右侧。
容易踩的坑：
- 误写成
df[['col1','col2']].get_dummies()→ 返回仅含 dummy 列的 DataFrame，原数据丢了 - 对整表调用
pd.get_dummies(df)→ 所有object列都被编码，包括你不想要的 ID、时间戳字符串 - 列名含空格或特殊字符 → 生成的 dummy 列名会带空格，后续引用需加引号，建议提前
df.columns = df.columns.str.replace(' ', '_')
如果只想编码某几列又不想破坏原 df 结构，推荐：先 dummy_df = pd.get_dummies(df[cols], ...)，再 pd.concat([df.drop(columns=cols), dummy_df], axis=1)。
One-Hot 编码不是“开箱即用”的操作，关键在于理解 drop_first 和 dummy_na 如何改变列空间，以及训练/预测阶段的列一致性比编码本身更难维护。
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
