pd.get_dummies() 更适合探索阶段，因其保留列名前缀、自动跳过数值列、支持nan为独立类别、返回dataframe便于拼接，而onehotencoder要求二维输入且默认忽略nan易报错。
直接用 pd.get_dummies() 最快，但要注意 dtype、drop_first 和缺失值处理——否则容易产出 float64 列或意外多出一列。
为什么 pd.get_dummies() 比 OneHotEncoder 更适合探索阶段
在数据清洗和 EDA 阶段，pd.get_dummies() 能保留原始列名前缀、自动跳过数值列、支持 NaN 作为独立类别（默认不丢），而 sklearn.preprocessing.OneHotEncoder 强制要求所有输入为二维数组且默认忽略 NaN，报错概率高。
- 它返回的是
pd.DataFrame，可直接拼接回原表：pd.concat([df, pd.get_dummies(df['color'])], axis=1) - 对含
None或np.nan的分类列，默认生成color_nan列；加参数dummy_na=False才跳过 - 若列本身是
category类型，get_dummies()仍能正确识别全部类别（包括未在当前样本中出现的）
get_dummies() 的三个关键参数怎么选
多数人只传一个 df[col]，结果列名没前缀、无法区分来源、还可能因重复值引发列名冲突。
-
prefix='col_name'：强制加前缀，避免多列独热后列名全为0/1；也可传字典如prefix={'color': 'c', 'size': 's'} -
drop_first=True：去掉每组的第一个哑变量，防止线性回归时共线性；但树模型、聚类或特征重要性分析通常不需要 -
columns=['color', 'size']：只对指定列编码，其余列（如 ID、数值特征）原样保留，比先select_dtypes再操作更稳
遇到 category 类型列，别手动转 str
有人把 df['status'].astype(str) 后再喂给 get_dummies()，这会丢失空类别信息，且把 NaN 变成字符串 'nan'，导致错误多出一列。
- 正确做法是保持
category类型，get_dummies()内部会调用.categories获取完整取值空间 - 如果某类别在当前 batch 中完全没出现，
get_dummies()默认不生成对应列；需配合pd.Categorical(..., categories=full_list)预设全集 - 注意：
get_dummies()不修改原Series的 dtype，返回的是uint8或bool，内存友好
真正麻烦的是混合类型列（比如字符串里夹着数字或布尔值），这时候 get_dummies() 会静默失败或产出不可预期的列名。得先用 df['col'].apply(type).unique() 排查，再统一规整类型——这个步骤没人提醒，但几乎每次真实项目都会卡在这儿。
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！
