pd.get_dummies() 默认对所有类别列完整展开，不设参考组，导致共线性；加 drop_first=True 可删首列避免该问题，并需注意 NaN 处理、列名合法性及高基数变量的替代方案。
pd.get_dummies() 为啥会多出一列？
因为默认对所有类别列都做完整独热展开，没留参考组（reference level）。比如 pd.get_dummies(df, columns=['color']) 遇到 ['red', 'blue', 'green']，直接生成三列 color_red、color_blue、color_green，导致共线性——模型训练时可能报 LinAlgError: Singular matrix 或系数不稳定。
实操建议：
- 加参数
drop_first=True：自动删掉每组的第一列，保留color_blue、color_green，把red当隐式基准 - 只对需要的列编码：别用
pd.get_dummies(df)全量展开，尤其当df含数值列或 ID 列时，会把它们也转成 dummy（变成全 1 列） - 注意
NaN：默认会为缺失值单独建一列color_nan，若想忽略缺失，先用df['color'].fillna('unknown')
和 sklearn 的 OneHotEncoder 有啥关键区别？
pd.get_dummies() 是 pandas 的一次性转换工具，适合探索和快速建模；OneHotEncoder 是 sklearn 的拟合-变换范式，必须先 fit() 再 transform()，才能保证训练集/测试集列一致。
常见错误现象：
立即学习“Python免费学习笔记（深入）”；
仅使用 Python 将 Claw Code 虚拟化框架与 OpenClaw 集成，提供 184 种工具和 200 多条命令，用于安全分析和代码质量...
- 用
pd.get_dummies(train)和pd.get_dummies(test)分别处理，结果列数不一致（比如测试集缺某个类别），后续model.predict()直接报ValueError: X has 5 features, but OneHotEncoder is expecting 6 -
OneHotEncoder(drop='first')在 sklearn 1.0+ 才支持，旧版本只能靠drop='if_binary'或手动后处理 -
pd.get_dummies()不保存编码映射，下次来新数据无法复现相同列名；OneHotEncoder的categories_属性可导出复用
遇到高基数类别（如 user_id 有 10 万种）还能用 get_dummies 吗？
不能。内存爆炸，生成的稀疏矩阵会吃光 RAM，且几乎必然拖垮模型训练速度。
实操建议：
- 先统计频次：
df['user_id'].value_counts().head(10)，看是否长尾严重 - 高频 top-N 显式编码，其余归为
other：df['user_id'].where(df['user_id'].isin(top_users), 'other') - 改用目标编码（Target Encoding）或嵌入（Embedding），但注意目标编码要防数据泄露，务必用 group-kfold 或滞后均值
- 确认是否真需独热：很多树模型（XGBoost、LightGBM）原生支持类别列，直接传
categorydtype 更快更稳
为什么 get_dummies 后列名带空格或括号就报错？
因为生成的列名来自原始列名 + 值，若原始列是 'user type' 或 'status (current)'，get_dummies 默认拼成 user type_male、status (current)_active，这些名字在 scikit-learn 等库中常被当作非法标识符，引发 ValueError: Invalid parameter 或 AttributeError。
解决办法：
- 预处理列名：
df.columns = df.columns.str.replace(r'[^a-zA-Z0-9_]', '_', regex=True) - 用
prefix_sep控制分隔符：pd.get_dummies(df, prefix_sep='_')避免默认的下划线冲突 - 手动重命名生成列：
dummy_df = pd.get_dummies(...); dummy_df.columns = [c.replace(' ', '_').replace('(', '').replace(')', '') for c in dummy_df.columns]
真正麻烦的是那种“编码完发现列名含不可见字符或 BOM”的情况，建议在读取 CSV 时就加 encoding='utf-8-sig'，否则 get_dummies 会默默把乱码塞进列名里，debug 成本远高于预防。
