get_dummies默认删一列是为避免多重共线性；处理测试集需对齐列名；nan被默认编码为'_nan'列；相比onehotencoder，它无状态、不支持pipeline、不处理未知类别。
get_dummies 为什么默认会删掉一列？
pd.get_dummies() 对含 n 个类别的分类列，默认生成 n-1 列独热特征，这是为避免“虚拟变量陷阱”（即多重共线性）——比如三类 ['A', 'B', 'C'] 若全保留，任意一列都可由其余两列线性表示（A = 1 - B - C），导致线性模型无法唯一求解系数。
实际中若需保留全部类别（如用于树模型、聚类或后续人工规则），加参数 drop_first=False 即可：
pd.get_dummies(df, columns=['color'], drop_first=False)
但要注意：下游若接 sklearn.linear_model.LinearRegression 等对共线性敏感的模型，不删首列可能引发 LinAlgError: Singular matrix 错误。
处理测试集时 get_dummies 报错 “columns not found” 怎么办？
训练集和测试集的分类列取值范围常不一致（比如训练有 ['red', 'blue']，测试突然出现 'green'），直接对测试集调用 get_dummies 会导致列数/列名不匹配，模型预测报错。
正确做法是：只在训练集上拟合 get_dummies 的“结构”，再用相同结构转换测试集。推荐两种方式：
- 用
pd.concat([train, test], keys=['train', 'test'])合并后统一做get_dummies，再按 key 拆分（简单但内存占用高） - 更稳妥的是用
sklearn.preprocessing.OneHotEncoder(handle_unknown='ignore')替代 —— 它能显式处理未见过的类别，且与 pipeline 兼容性更好
硬要用 get_dummies 时，务必保证测试集列名与训练集完全一致，缺失列补 0，多余列删掉：
train_dum = pd.get_dummies(train, columns=['city']) test_dum = pd.get_dummies(test, columns=['city']) test_dum = test_dum.reindex(columns=train_dum.columns, fill_value=0)
包含 NaN 的分类列会被 get_dummies 怎么处理？
get_dummies 默认把 NaN 当作一个独立类别，生成名为 colname_nan 的列（注意是字符串 'nan'，不是 Python 的 np.nan）。这往往不是你想要的 —— 多数模型无法处理含 NaN 的输入，而人为补成 'missing' 再编码更可控。
建议预处理时显式填充或标记缺失：
- 用
df['col'].fillna('MISSING')后再传入get_dummies - 或设参数
dummy_na=False（默认值）来禁用自动生成_nan列；但此时原NaN行对应所有 dummy 列均为 0，需确认业务含义是否合理
特别注意：如果列里原本就有字符串 'nan'（非缺失值），它和真正的 NaN 会被当成两个不同类别，容易混淆。
和 sklearn 的 OneHotEncoder 相比，get_dummies 有什么硬伤？
get_dummies 是纯 pandas 函数，不保存状态，每次调用都是无记忆的。这意味着：
- 无法像
OneHotEncoder().fit(X_train).transform(X_test)那样复用编码逻辑 - 不能嵌入
sklearn.pipeline.Pipeline，导致训练/预测流程割裂 - 不支持稀疏矩阵输出（
sparse=True在新版 pandas 中已被弃用），大数据下内存压力大 - 对高基数列（如用户 ID）不做任何限制，容易炸内存
所以除非是快速探索、小数据、一次性脚本，否则建议优先用 OneHotEncoder(sparse_output=True, handle_unknown='ignore')，尤其当列名或类别数可能随时间变化时。
真正麻烦的从来不是怎么编码，而是训练时看到 50 个类别，上线后突然冒出第 51 个——这时候 get_dummies 不报错，但预测结果全乱套。
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！
