OneHotEncoder和LabelEncoder的选择直接决定模型是否学到虚假关系：LabelEncoder仅适用于有序分类特征或目标变量y，误用于无序特征会引入0<1<2的虚假顺序；OneHotEncoder通过二进制向量消除顺序假设，是无序特征编码首选，但高基数时需防维度爆炸。
OneHotEncoder 和 LabelEncoder 的选择不是编码风格问题，而是直接决定模型是否学到虚假关系——选错会把“红标签编码只适用于有天然顺序的分类变量
比如 ["low", "medium", "high"] 或 ["S", "M", "L", "XL"] 这类数据，本身就有明确递进含义。用 LabelEncoder 映射为 [0, 1, 2] 或 [1, 2, 3, 4] 是合理的。
但一旦用于无序类别，比如 ["Beijing", "Shanghai", "Guangzhou"]，LabelEncoder 会强行赋予数值顺序，导致树模型分裂时误判“Beijing
- 常见错误现象：
LabelEncoder用在城市、颜色、产品类型等名义变量上，训练误差下降但验证集表现变差 - 性能影响：模型可能过度拟合训练集中偶然出现的数值模式，泛化能力明显下降
- 兼容性注意：
LabelEncoder不能直接用于多列批量编码；对新类别报ValueError: y contains previously unseen labels
独热编码会爆炸维度，但能彻底切断虚假顺序
OneHotEncoder 把一个含 n 类别的列转成 n 个二元列，每个样本只在一个位置为 1，其余全 0。这确保了任意两类之间距离恒定（欧氏距离都是 √2），模型无法从中推断大小关系。
但它代价明确：类别数一多，特征矩阵立刻变宽且稀疏。
立即学习“Python免费学习笔记（深入）”；
- 容易踩的坑：
OneHotEncoder默认不处理缺失值，遇到NaN直接报错ValueError: Input contains NaN - 参数差异：
drop_first=True可删掉首列避免共线性，但某些模型（如树类）不需要，反而损失可解释性 - 使用场景：适合类别数 ≤ 10 的变量；超过 20 类时，先做低频合并再编码更稳妥
sklearn 中两者的 API 行为差异必须清楚
LabelEncoder 是逐列、单变量编码器，只能对一维数组（Series 或 numpy.ndarray）调用 fit_transform()；而 OneHotEncoder 默认接收二维输入（DataFrame 或 numpy.ndarray），且要求所有列同质（不能混入数值列）。
- 典型错误：
OneHotEncoder().fit_transform(df)对含数值列的DataFrame直接报错，必须先用ColumnTransformer分离处理 - 另一个坑：
LabelEncoder的transform()不能接受未见过的类别，而OneHotEncoder在handle_unknown="ignore"下可安全处理新值 - 别混淆：
pd.get_dummies()是 pandas 版独热编码，不保存拟合状态，无法复用到测试集——生产环境务必用OneHotEncoder
