pandas.get_dummies适合探索性分析，OneHotEncoder才是生产部署正确选择；后者固化编码空间、保证列数一致，避免训练与预测特征错位。
One-Hot 编码该用 pandas.get_dummies 还是 sklearn.preprocessing.OneHotEncoder
两者都能做，但适用场景不同：pandas.get_dummies 适合探索和快速建模前的数据清洗，OneHotEncoder 才是生产级模型部署的正确选择。
常见错误是训练时用 get_dummies，预测时直接对新数据再调一次——这会导致列数不一致、报错 ValueError: X has 5 features, but OneHotEncoder is expecting 7（虽然这里报的是 OneHotEncoder 的错，但本质是没对齐编码空间）。
-
get_dummies不保存编码映射，每次调用都“重来一遍”，新数据里出现训练时没见过的类别，就会多出新列；缺失旧类别，又会少列 -
OneHotEncoder(handle_unknown='ignore')能固化训练时见过的所有类别，预测时遇到未知值默认全 0，列数严格一致 - 如果变量有大量唯一值（比如用户 ID），
OneHotEncoder默认会报ValueError: There are infrequent categories，得显式加max_categories或设min_frequency
标签编码（Label Encoding）不是给分类变量用的，而是给序数变量或目标变量用的
很多人把 LabelEncoder 当成“先用一下再说”的万能编码器，结果模型学出虚假顺序关系。比如把 ["cat", "dog", "bird"] 编成 [0, 1, 2]，树模型会误以为 bird > dog > cat。
真正该用 LabelEncoder 的地方其实很少：
立即学习“Python免费学习笔记（深入）”；
让 macOS 自动化像说话一样简单 —— 用代码控制你的 Mac，无需学习 AppleScript 系统要求 macOS 14+ (Sonoma) Python 3.9+ 需要开启：辅助功能 + 屏幕录制权限
- 只用于目标变量
y（如多分类任务的标签），且你确认模型本身支持（比如sklearn.ensemble.RandomForestClassifier内部会处理） - 用于已知有天然顺序的特征，比如
["low", "medium", "high"]，这时应手动映射为{"low": 0, "medium": 1, "high": 2}，而不是靠LabelEncoder碰运气 - 绝对不要对高基数类别特征（如城市名、产品 SKU）用
LabelEncoder—— 它不解决稀疏性，还引入噪声
类别太多时，One-Hot 会爆炸，得换思路
一个有 1000 个不同取值的列，One-Hot 后变成 1000 列，内存翻倍、训练变慢、还容易过拟合。这时候不能硬上 OneHotEncoder。
更务实的做法是先降维再编码：
- 按目标变量均值/频率聚合：比如把低频城市归为
"other"，再 One-Hot - 用
category_encoders.TargetEncoder（需额外装包），用目标变量的统计量替代原始类别，天然压缩维度 - 对树模型，有时直接用
pd.Categorical+.cat.codes反而比 One-Hot 更快，因为 LightGBM/XGBoost 原生支持类别型输入
OneHotEncoder 的 sparse 参数在新版 sklearn 已废弃，别再设了
老教程里常写 OneHotEncoder(sparse=True) 来省内存，但 sklearn ≥ 1.2 后这个参数被移除，默认输出就是 scipy.sparse 矩阵；设成 False 才会强制转 dense 数组。
问题在于：很多下游模型（比如 sklearn.linear_model.LogisticRegression）能直接吃 sparse 输入，但如果你中间插了个 .toarray() 或设了 sparse=False，内存可能瞬间涨几倍。
- 检查是否真需要 dense：用
type(X_encoded)看是不是scipy.sparse._matrix - 如果 pipeline 里用了
StandardScaler，它不支持 sparse 输入，得先转 dense 或换用sklearn.preprocessing.StandardScaler(with_mean=False) - 用
OneHotEncoder(drop='first')可以省一列（避免共线性），但注意它会让feature_names_in_和实际列名对不上，调试时容易懵
类别编码最麻烦的从来不是“怎么编”，而是“编完怎么和后续步骤对齐”——尤其是训练/预测阶段的特征列顺序、缺失类别的处理、以及 pipeline 里 sparse/dense 的隐式转换。这些细节不盯住，模型上线那天准出事。
