解决OneHotEncoder初始化时出现“unexpected keyword argument 'categorical_features'”错误的问题

这个问题我之前踩过坑！你遇到的错误是因为scikit-learn版本更新后，OneHotEncoder的categorical_features参数已经被移除了——从0.22版本开始这个参数就被弃用，后续版本直接删掉了，官方推荐用更灵活的方式来指定编码列。

针对你的代码场景，给你两种简单的解决办法：

方法一：直接移除categorical_features参数（适合单列编码） #

你的代码里y已经是reshape后的单列数组，OneHotEncoder默认会处理输入的所有列，所以完全不需要指定categorical_features参数，修改后的代码如下：

from sklearn.preprocessing import LabelEncoder , OneHotEncoder
y=rooms_df['room type'].values
y_labelencoder = LabelEncoder ()
y = y_labelencoder.fit_transform (y)
y=y.reshape(-1,1)
# 移除categorical_features参数
onehotencoder = OneHotEncoder()
Y= onehotencoder.fit_transform(y)
print(Y.shape)

方法二：用ColumnTransformer指定编码列（适合多列场景） #

如果之后你需要处理DataFrame里的多列特征，只想对特定列做独热编码，推荐用ColumnTransformer，这是官方现在最推荐的方式，示例代码如下：

from sklearn.preprocessing import LabelEncoder, OneHotEncoder
from sklearn.compose import ColumnTransformer

# 直接从DataFrame处理，新版本OneHotEncoder可直接处理字符串类型，无需先转数值
ct = ColumnTransformer(
    transformers=[
        # 指定转换器名称、编码工具、要编码的列名
        ('room_type_encoder', OneHotEncoder(), ['room type'])
    ],
    # 剩余列保持原样（如果有其他特征列的话，不需要可省略此参数）
    remainder='passthrough'
)
# 拟合转换，结果是稀疏矩阵，需要转成数组可加.toarray()
Y = ct.fit_transform(rooms_df)
print(Y.shape)

额外提一句：新版本的OneHotEncoder已经支持直接处理字符串类型的分类特征，不需要先用LabelEncoder转成数值，上面的代码就省略了LabelEncoder步骤，更简洁高效。

不建议你降级scikit-learn版本来适配旧参数，新版本的API设计更合理，也能避免后续更多兼容性问题。

内容的提问来源于stack exchange，提问作者taufan hidayat