pd.get_dummies()是最直接的选择，因其是pandas原生函数，无需scikit-learn依赖，能自动处理nan（默认生成col_nan列）、保留列名前缀、跳过数值列，并返回可拼接的dataframe；但不保存编码状态，跨训练/测试集易因类别缺失导致列数不一致。
为什么 pd.get_dummies() 是最直接的选择
因为 Pandas 原生支持分类变量的快速 One-Hot 展开，无需额外依赖 scikit-learn，且能自动处理缺失值和列名冲突。它适合探索性分析、特征预处理初稿或轻量级 pipeline。
常见错误是直接对含 NaN 的列调用，结果会生成一列 col_nan —— 这不是 bug，而是默认行为；若不希望保留缺失指示列，得显式设 drop_first=False 并配合 dummy_na=False。
-
pd.get_dummies(df, columns=['cat_col'], dummy_na=False)：禁用缺失值单独成列 - 若列已是
category类型（如用df['cat_col'] = df['cat_col'].astype('category')转换过），get_dummies会跳过未出现的类别，不会补全所有可能取值 - 多个列同时编码时，列名默认用下划线拼接（如
color_red），避免空格或特殊字符导致后续报错
如何让 One-Hot 编码结果与 scikit-learn 的 OneHotEncoder 对齐
当模型训练用 sklearn，但数据清洗在 Pandas 里做，就容易出现训练/预测阶段列数不一致的问题——比如测试集某分类变量值在训练集没出现过，pd.get_dummies() 直接忽略，而 OneHotEncoder(handle_unknown='ignore') 会保留对应列（全为 0）。
解决办法是统一用 sklearn.preprocessing.OneHotEncoder(sparse_output=False, drop='first', handle_unknown='ignore')，并配合 ColumnTransformer 只对指定列生效：
from sklearn.preprocessing import OneHotEncoder
from sklearn.compose import ColumnTransformer
ohe = OneHotEncoder(drop='first', handle_unknown='ignore')
preprocessor = ColumnTransformer(
transformers=[('cat', ohe, ['gender', 'city'])],
remainder='passthrough'
)
X_transformed = preprocessor.fit_transform(df)
注意：fit_transform() 返回的是 numpy.ndarray，列名丢失；如需 DataFrame，得手动重建列名，或改用 sklearn-pandas 等封装库。
遇到高基数分类变量（如 user_id）怎么办
直接 One-Hot 会导致维度爆炸，内存溢出或模型变慢。这不是编码方法错了，而是该换策略了。
- 先检查唯一值数量：
df['user_id'].nunique()，若 > 1000，基本别用 One-Hot - 可降维替代方案：
df.groupby('user_id')['target'].transform('mean')做目标编码，或用hashing trick（sklearn.feature_extraction.FeatureHasher）强制映射到固定维度 - 如果非要用 One-Hot 且确定稀疏性高，加参数
sparse=True到pd.get_dummies()，返回SparseDataFrame（Pandas 1.4+ 已弃用，建议转用scipy.sparse矩阵）
为什么 pd.get_dummies() 不支持“保存编码器状态”
因为它没有 fit / transform 分离机制——每次调用都是独立计算。这意味着：训练集用 get_dummies() 编码后得到 12 列，测试集若某个类别没出现，就只产出 11 列，直接喂给模型会报 ValueError: X has 11 features, but OneHotEncoder is expecting 12 features。
所以线上服务或跨批次处理时，必须用可序列化的编码器：
- 用
joblib.dump(ohe, 'ohe.pkl')保存已fit的OneHotEncoder - 测试阶段用
joblib.load('ohe.pkl').transform(test_df[['cat_col']]) - 若坚持用 Pandas，就得手动记录训练集所有唯一值：
train_cats = set(df_train['cat_col'].dropna())，再对测试集补全缺失列并置 0
这个差异点经常被忽略，直到部署时报错才意识到——Pandas 的便利性只在单次分析中成立。
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！
