LabelEncoder不接受缺失值，fit()遇None或NaN直接报错；须先清洗（删除或填充）再fit；transform时若遇新标签会报错，应统一用同一实例并考虑OrdinalEncoder兜底。
LabelEncoder.fit()遇到None或NaN值直接报错
LabelEncoder不接受缺失值，只要fit()时输入数组里有None、np.nan或pd.NA，就会抛出ValueError: y contains NaN或类似错误。这不是bug，是设计使然——它只做纯映射，不处理清洗。
实操建议：
立即学习“Python免费学习笔记（深入）”；
macOS UI 自动化技能包 —— 用 Python 控制你的 Mac
下载
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
- 先用
pandas.isna()或numpy.isnan()检查目标列，确认缺失位置 - 根据业务决定是删除（
dropna()）还是填充（如用"unknown"字符串占位） - 切勿对含NaN的列直接调用
le.fit(y)，哪怕只是想“看看能映射哪些值”也不行
LabelEncoder在训练/预测阶段标签不一致导致transform失败
常见于把fit()和transform()拆开用在不同数据集上，比如训练集编码后，测试集里突然冒出训练时没见过的新类别，transform()会报ValueError: y contains previously unseen labels。
实操建议：
立即学习“Python免费学习笔记（深入）”；
- 训练阶段用
le.fit(y_train)，测试阶段必须用同一个le实例调用le.transform(y_test) - 如果测试集含新标签且必须保留，改用
sklearn.preprocessing.OrdinalEncoder(handle_unknown="use_encoded_value", unknown_value=-1)，它支持未知值兜底 - 避免对
y_test单独fit_transform()——这会破坏训练/推理一致性
LabelEncoder误用于多列或DataFrame导致维度错乱
LabelEncoder只支持一维输入（1D array-like），传入DataFrame或二维ndarray会报ValueError: Expected 2D array, got 1D array instead（注意：这个错误信息其实是StandardScaler等才常抛的；LabelEncoder实际报的是Expected 1D array，但用户常因混淆而误判）。
实操建议：
立即学习“Python免费学习笔记（深入）”；
- 对单列Series：用
le.fit_transform(df["col"])，不是df[["col"]] - 对多列分类特征，改用
OrdinalEncoder，它原生支持2D输入 - 不要试图用
apply(le.fit_transform)批量处理多列——每个列会独立fit，导致编码空间不统一
LabelEncoder编码结果不可逆或跨模型复用困难
很多人只调用fit_transform()，没保存LabelEncoder实例，后续预测时重新fit()会导致标签映射关系完全改变，模型输出彻底错乱。
实操建议：
立即学习“Python免费学习笔记（深入）”；
- 始终显式保存encoder：
pickle.dump(le, open("le.pkl", "wb"))或用joblib - 部署时加载同一实例，再调用
le.transform()，不能新建一个再fit() - 若需查看映射字典，用
le.classes_（原始标签数组）和np.arange(len(le.classes_))对应，别手写dict
