OneHotEncoder默认遇未知类别报错，可通过handle_unknown='ignore'输出全0向量、'infrequent_if_exist'归并低频/新类别，或预设'unknown'兜底类解决。
OneHotEncoder 默认遇到未知类别会报错
默认情况下，OneHotEncoder 在 transform() 阶段碰到训练时没见过的类别，直接抛出 ValueError: Found unknown categories。这不是 bug，是设计行为——它假设部署时输入分布和训练一致。但现实里新类别很常见，比如新增商品类型、用户填写的拼写变体、爬虫抓到的脏数据。
用 handle_unknown='ignore' 跳过未知类别
最常用解法是初始化时显式设 handle_unknown='ignore'。这会让 transform() 对未知值输出全 0 的 one-hot 向量（即该样本在该列上所有编码位都是 0）。
- 必须同时设
sparse=False或用drop='first'等参数时注意兼容性；scikit-learn 1.0+ 支持handle_unknown='ignore'与sparse=True共存，但老版本会报错 - 如果用了
drop='first'，未知类别仍输出全 0，但要注意：全 0 向量可能和某个被 drop 掉的基准类混淆（尤其做后续解释时） - 示例：
from sklearn.preprocessing import OneHotEncoder enc = OneHotEncoder(handle_unknown='ignore', sparse_output=False) enc.fit([['cat'], ['dog']]) enc.transform([['bird'], ['cat']]) # 第一行全 0，第二行对应 cat 的 1
用 handle_unknown='infrequent_if_exist' 控制低频/新类别归并
scikit-learn 1.3+ 新增选项 handle_unknown='infrequent_if_exist'，它要求你提前通过 min_frequency 或 max_categories 定义“低频”阈值。训练时自动把低频类别归为 infrequent_ 类，推理时新类别也归入此组。
- 只对字符串或整数型类别生效；数值列不适用
- 必须配合
min_frequency（最小出现次数）或max_categories（最多保留几类），否则报ValueError - 生成的列名含
infrequent_前缀，需在下游逻辑中识别（比如特征重要性分析时别漏掉） - 示例：
enc = OneHotEncoder(handle_unknown='infrequent_if_exist', min_frequency=2, sparse_output=False) enc.fit([['a'], ['a'], ['b'], ['c']]) # 'c' 被归为 infrequent_ enc.transform([['c'], ['d']]) # 两行都映射到 infrequent_ 列（值为 1）
fit 时主动加入 unknown 类别兜底
如果业务能接受预设一个兜底类（如 'unknown'），可以在 fit 前手动把训练数据里部分低频值替换成该标识符，再正常 fit。这样 transform 时所有新值都可统一映射过去，且不会产生全 0 向量（避免和缺失值混淆）。
- 适合类别语义明确、且允许人工定义兜底场景（如国家字段，把小众国家全归为
'other'） - 注意替换时机：必须在
fit()前完成，不能在transform()时动态替换，否则破坏一致性 - 若用 Pipeline，需自定义 Transformer 封装替换逻辑，不能只靠
OneHotEncoder自身
真正麻烦的是混合策略：比如想对高价值字段用 infrequent_if_exist，对低敏感字段用 ignore，还得确保各列处理后维度对齐——这时候得拆开逐列配置，别指望一个 OneHotEncoder 实例全包。
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！
