LabelEncoder 不该直接用于多列分类特征，因其仅适用于单列标签（如目标变量 y），对多列特征使用会破坏列间独立性，并在训练/预测时因类别不一致引发 ValueError；应改用 OrdinalEncoder 或 OneHotEncoder，并配合 ColumnTransformer 安全处理混合类型数据。
为什么 LabelEncoder 不该直接用在多列分类特征上
它只适合单列标签（比如目标变量 y），对多列输入特征直接套用会破坏列间独立性，还容易在训练/预测时因类别不一致崩出 ValueError: y contains previously unseen labels。真正该用的是 OrdinalEncoder（有序）或 OneHotEncoder（无序）。
常见错误是把 LabelEncoder 循环套在 X 的每列上——这看似能跑通，但后续 pipeline 里无法处理新出现的类别，且没法和 ColumnTransformer 配合。
-
OrdinalEncoder适合有天然顺序的变量（如 "low"/"medium"/"high"），输出整数，节省内存 -
OneHotEncoder更通用，尤其对名义型变量（如 "red"/"blue"/"green"），但可能爆炸式增加列数 - 两者都支持
handle_unknown="ignore"，配合ColumnTransformer可安全处理测试集新类别
如何用 ColumnTransformer 对混合类型数据统一编码
现实数据常混着数值列、有序分类列、无序分类列。硬拆 X 再拼回去既啰嗦又易错，ColumnTransformer 是标准解法。
关键点：指定列名或列索引，传入对应编码器，设置 remainder="passthrough" 保留未处理列。
立即学习“Python免费学习笔记（深入）”；
from sklearn.compose import ColumnTransformer
from sklearn.preprocessing import OneHotEncoder, OrdinalEncoder
<h1>假设 df 有 'color'(nominal), 'size'(ordinal), 'price'(numeric)</h1><p>preprocessor = ColumnTransformer(
transformers=[
("ohe", OneHotEncoder(drop="first", sparse_output=False), ["color"]),
("ord", OrdinalEncoder(), ["size"])
],
remainder="passthrough"
)
X_encoded = preprocessor.fit_transform(df)</p>-
drop="first"防共线性，尤其在线性模型里有用 -
sparse_output=False强制返回 dense array，避免后续操作报错（如某些模型不接受 sparse matrix） - 列名必须和
df.columns完全一致，大小写、空格都不能错
OneHotEncoder 处理高基数分类变量的坑
当某列取值超过几十个（比如用户 ID、城市名），OneHotEncoder 会生成海量新列，拖慢训练甚至 OOM。这不是参数调得不对，是方法本身不适用。
这时该换思路：用目标编码（Target Encoding）或频率编码（Frequency Encoding），但注意要防数据泄露。
- 别在全量数据上 fit
OneHotEncoder再 split——必须先 split 再对训练集 fit，再 transform 测试集 - 高基数列可先统计频次，把低频值归为 "other"，再做 one-hot（用
min_frequency参数，scikit-learn ≥ 1.3） - 若用
pd.get_dummies()，记得加drop_first=True，且手动处理新类别（它没handle_unknown）
保存与复用编码器时最容易漏掉的一步
模型上线后，新样本必须用**完全相同的编码器状态**处理，否则预测结果错乱。只保存 fit_transform 后的数据没用。
必须持久化整个预处理器对象（含 fitted encoder），而不是单独存映射字典。
- 用
joblib.dump(preprocessor, "preprocessor.pkl")，加载后直接preprocessor.transform(new_df) - 如果用了
make_column_transformer或 pipeline，同样要 dump 整个 pipeline - 检查 loaded encoder 的
categories_属性是否非空——为空说明没正确 fit 过
编码逻辑一旦写进训练脚本，就别手动改列名或删列；任何结构变动都会让已保存的 encoder 失效。
