OneHotEncoder数组形状与Pandas DataFrame列标签不匹配问题求助

错误原因 #

你在编码时对df1.columnA做了排序操作，导致生成的编码结果是排序后数据的顺序，但创建编码后的DataFrame时使用了默认索引，和原df1的索引/行顺序完全不匹配。合并时Pandas会按索引自动对齐，最终触发形状不匹配的错误。

解决方案 #

方案一：直接对原数据编码（推荐）

去掉排序操作，直接基于原df1的columnA列编码，确保编码结果的行顺序和原DataFrame完全一致，同时指定原索引避免对齐问题：

from sklearn.preprocessing import OneHotEncoder
import pandas as pd

# 初始化编码器
encoder = OneHotEncoder(sparse=True, handle_unknown='infrequent_if_exist')
# 直接对原列编码，用[[columnA]]直接生成2D数组，无需reshape
encoded_data = encoder.fit_transform(df1[['columnA']])

# 保存类别信息用于后续未知数据处理
attribute_columnA = encoder.categories_

# 转换为数组并创建编码后的DataFrame，指定原df1的索引
encoded_data_array = encoded_data.toarray()
oh_df = pd.DataFrame(encoded_data_array, columns=encoder.get_feature_names_out(), index=df1.index)

# 合并回原DataFrame
merged_df = pd.concat([df1, oh_df], axis=1)

方案二：若必须排序后编码

如果业务需求要求先排序再编码，需保留排序后的索引，确保编码后的DataFrame索引与排序数据一致：

from sklearn.preprocessing import OneHotEncoder
import pandas as pd

# 先排序并保留原索引
sorted_col = df1.columnA.sort_values()

encoder = OneHotEncoder(sparse=True, handle_unknown='infrequent_if_exist')
encoded_data = encoder.fit_transform(sorted_col.values.reshape(-1, 1))

attribute_columnA = encoder.categories_

encoded_data_array = encoded_data.toarray()
# 创建编码DataFrame时使用排序后的索引
oh_df = pd.DataFrame(encoded_data_array, columns=encoder.get_feature_names_out(), index=sorted_col.index)

# 按索引对齐合并
merged_df = pd.concat([df1, oh_df], axis=1)

额外注意事项 #

• 原代码中encoded_data.categories_是错误的，稀疏矩阵没有categories_属性，应该使用encoder.categories_获取类别信息
• 使用df1[['columnA']]代替values.reshape(-1,1)，代码更简洁且能避免维度错误

内容的提问来源于stack exchange，提问作者Paolo C