CatBoost需显式指定cat_features参数识别类别特征，不自动识别pandas category类型；字符串列须预处理填充缺失值、统一转str、避免高基数；OTS编码需调prior等参数防噪声，否则易致OOM或性能骤降。
CatBoost 能直接吃字符串类别特征，不用你手动 pd.get_dummies() 或 LabelEncoder ——但必须显式告诉它哪些列是类别型，否则它会当成数值型乱切。
必须用 cat_features 显式指定列索引或列名
哪怕你的 DataFrame 里某列已经是 category 类型（比如 df['city'].astype('category')），CatBoost 也不会自动识别。它只认你传给 fit() 的 cat_features 参数。
- 传索引：如果 X 是 numpy array 或 list of lists，用列下标，如
cat_features=[0, 2, 5] - 传列名：如果 X 是 pandas DataFrame，可以直接传字符串列表，如
cat_features=['sex', 'embarked', 'product_id'] - 别传错类型：传
cat_features=['0', '2']（字符串数字）会报ValueError: cat_feature index should be integer - 字符串列不等于类别列：像
'user_id'这种高基数、无语义的字符串列，硬塞进cat_features会导致内存暴涨、训练极慢，甚至 OOM
Ordered Target Statistics 编码不是“开箱即用”的黑盒
CatBoost 对每个类别值做的编码，本质是“只看排在它前面的样本的目标均值”，背后有 default_value、counter_calc_method、prior 等隐式控制项。你不调，它用默认值，但默认值未必适合你的数据分布。
- 低频类别（出现 ≤ 10 次）容易被噪声带偏：默认
prior=1.0太小，建议对稀疏列加大，比如prior=5.0 - 二分类任务中，
prior实际对应正类先验概率，不是随便填的数字；可设为全局正类比例：prior=y_train.mean() - 训练集 shuffle 是默认开启的，但如果你用了
cv或自定义划分，得确认每次 fold 的排列是独立的，否则跨 fold 泄漏风险仍在 - 别指望训练完再拿
model.get_cat_feature_statistics()反查编码值——它返回的是内部中间态，结构不稳定，不适合做离线映射
字符串类别列不能含缺失值（np.nan 或 None）
CatBoost 不像 LightGBM 那样能自动把 nan 当作独立类别处理。遇到缺失，它会直接报错：ValueError: CatBoost doesn't support NaN values in categorical features。
立即学习“Python免费学习笔记（深入）”；
- 必须提前填充：用占位符字符串，如
'MISSING'、'UNKNOWN'，再塞进cat_features - 别用空字符串
''：某些版本会和真实空值混淆，引发不可预期行为 - 如果原始列是 object 类型混了数字和字符串（比如
['A', 123, 'B']），pandas 读入后可能变成object，但 CatBoost 会拒绝这种混合类型，报TypeError: Unsupported type for categorical feature—— 必须统一转成字符串：df[col] = df[col].astype(str)
真正麻烦的不是“怎么让模型跑起来”，而是当类别列基数突然从 100 跳到 10 万时，cat_features 列表没动、prior 没调、缺失值填充策略也没变，结果训练内存翻四倍、单棵树构建时间从毫秒级涨到分钟级——这些细节不会报错，只会让你在深夜盯着日志发呆。
