LabelEncoder不能直接用于DataFrame多列编码，因其仅支持一维输入，强行传入二维结构会报错；且遇未见类别必抛ValueError，设计上仅适用于封闭标签空间的目标变量y编码。
LabelEncoder 不能直接用于 DataFrame 多列批量编码，且对未见过的类别会报错 —— 这是实际用时最常踩的坑。
为什么不能直接用 LabelEncoder 处理 DataFrame 的多列？
LabelEncoder 设计初衷是处理一维数组（Series 或 np.ndarray），它没有 fit_transform 对 DataFrame 的批量支持。若强行传入 DataFrame，会抛出 ValueError: Expected 2D array, got 1D array instead。
- 必须逐列调用：
le.fit_transform(df['col'])，不能写成le.fit_transform(df[['col1','col2']]) - 每个列需独立实例化
LabelEncoder，共用同一个实例会导致标签混串（比如 col1 的 "A"=0 和 col2 的 "A"=0 是巧合，不是保证） - 训练后若遇到新值（如测试集出现训练时没见的类别），
transform()会直接报ValueError: y contains previously unseen labels
如何安全地对多列分类变量做标签编码？
推荐用 sklearn.preprocessing.OrdinalEncoder 替代 —— 它原生支持二维输入、可设 handle_unknown='use_encoded_value'，并能统一管理多列映射关系。
- 对多列同时编码：
oe = OrdinalEncoder(handle_unknown='use_encoded_value', unknown_value=-1)，然后oe.fit_transform(df[['cat1','cat2']]) - 编码后返回的是
numpy.ndarray，需手动转回 DataFrame 并保留列名：pd.DataFrame(oe.transform(df[['cat1','cat2']]), columns=['cat1','cat2'], index=df.index) - 注意：默认情况下
OrdinalEncoder按字典序排序标签（如 ["z", "a"] → [1, 0]），若需保持原始出现顺序，得先用pd.Categorical显式定义顺序
什么时候非得用 LabelEncoder？
只在两种场景下绕不开：目标变量（y）是单列分类标签，或配合某些要求 1D 输入的 sklearn 模型/接口（如 StratifiedKFold 的 y 参数）。
立即学习“Python免费学习笔记（深入）”；
- 对 y 编码：直接用
le = LabelEncoder(); y_encoded = le.fit_transform(y)，之后预测结果可用le.inverse_transform()还原 - 千万别对 X 的多列用它；也别在 pipeline 中把
LabelEncoder当 transformer 塞进ColumnTransformer—— 它不兼容fit_transform(X, y=None)签名 - 如果只是想快速查看某列编码映射，用
df['col'].astype('category').cat.codes更轻量，但不保存映射关系，无法复用于新数据
真正麻烦的不是怎么编，而是部署时新数据里冒出训练没见过的类别 —— OrdinalEncoder 的 unknown_value 参数得显式设，且要确认下游模型是否能容忍负数标签。
