onehotencoder报“expected 2d array, got 1d array”错误，因其严格要求输入为二维数组（shape为(n_samples, n_features)），而df['color']返回一维series，正确做法是用df[['color']]或.values.reshape(-1, 1)。
为什么 OneHotEncoder 会报错 “Expected 2D array, got 1D array”？
因为 OneHotEncoder 默认只接受二维输入（即 shape 为 (n_samples, n_features)），而你直接传入一维的 Series 或 list（比如 df['color']）时，它会拒绝处理。
正确做法是把单列转成二维：用 .values.reshape(-1, 1) 或 [[x] for x in col]，但更稳妥的是始终用 pd.DataFrame 包一层：
from sklearn.preprocessing import OneHotEncoder encoder = OneHotEncoder(sparse_output=False) # 注意新版默认 sparse_output=True encoded = encoder.fit_transform(df[['color']]) # ✅ 必须是双括号
- 别写
df['color']—— 这是 Series，一维 - 别依赖
reshape后再传，容易漏掉dtype转换（比如 object → str） - 如果列含 NaN，
OneHotEncoder默认会报错；加参数handle_unknown='ignore'和drop=None之前先确认是否真要保留 NaN 列
pd.get_dummies() 和 OneHotEncoder 选哪个？
简单场景（训练/预测都在同一套类别内、不涉及 pipeline 部署）直接用 pd.get_dummies() 更快、更直观；但只要涉及模型上线、新数据预测或需要和 ColumnTransformer 配合，必须用 OneHotEncoder。
关键差异点：
-
pd.get_dummies(df, columns=['color'])生成列名如color_red，可读性强；OneHotEncoder默认列名是数字索引，需配合encoder.get_feature_names_out()手动还原 -
pd.get_dummies()对测试集里出现的新类别（比如新颜色 'purple'）直接新增列，导致训练/预测维度不一致；OneHotEncoder设置handle_unknown='ignore'后，新类别对应全零向量，维度稳定 -
OneHotEncoder支持drop='first'做哑变量编码防共线性；pd.get_dummies(drop_first=True)也能做到，但无法跨数据集复用编码逻辑
如何用 ColumnTransformer 对混合类型特征统一编码？
真实数据总有数值列+类别列混在一起，硬拆再拼接容易错位。用 ColumnTransformer 把编码逻辑锁死在预处理流程里：
from sklearn.compose import ColumnTransformer
from sklearn.preprocessing import StandardScaler
<p>preprocessor = ColumnTransformer(
transformers=[
('num', StandardScaler(), ['age', 'income']),
('cat', OneHotEncoder(handle_unknown='ignore'), ['city', 'gender'])
],
remainder='passthrough' # 不参与变换的列（如 ID）原样保留
)</p><p>X_processed = preprocessor.fit_transform(X_train)</p>
- 注意
remainder='passthrough'是默认行为，但显式写出更安全；设为'drop'会丢弃未声明列，容易误删 -
OneHotEncoder的handle_unknown='ignore'必须在fit前设定，否则transform遇到未知类别仍会崩 - 如果类别列含空值，
OneHotEncoder在fit时会把np.nan当作一个合法类别（生成一列x0_nan），除非你提前用fillna()处理
为什么编码后特征数量爆炸？怎么控制？
当某列有几百个唯一值（比如用户 ID、商品 SKU），OneHotEncoder 会生成同等数量的列，内存暴增且无泛化能力。这不是 bug，是设计使然 —— 它本就不该用于高基数类别特征。
应对方式不是调参，而是换方法：
- 高基数列（>10–20 个唯一值）优先考虑
TargetEncoder（来自category_encoders库）或频率编码（value_counts().to_dict()映射） - 想强行用 one-hot？先做截断：
df['city'].value_counts().index[:10]取 Top-N，其余归为'other' -
OneHotEncoder的min_frequency参数（v1.3+）可自动合并低频项，但只支持整数阈值，且要求输入是字符串或类别型（astype('category')）
真正麻烦的从来不是怎么编码，而是没在 EDA 阶段看清每列的唯一值分布 —— 一热编码只是工具，不是万能解药。
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！
