One Hot Encoder分类问题排查：数值向量分10类后独热编码输出维度不符的技术问询

首先咱们来拆解你遇到的问题：输出维度是(20,9)而非预期的(20,10)，核心原因有两个：

1. 部分类别没有数据样本覆盖 #

看你处理后的a数组：[1,1,1,1,1,1,1,10,5,8,2,3,2,2,7,5,9,4,10,9]，这里面完全没有出现类别6。而OneHotEncoder默认只会对数据中实际存在的类别进行编码，自然就少了一列。

为什么会缺失类别6？咱们算一下你的区间划分：

• div = (99-1)/10 =9.8
• 类别6对应的区间是：1 + 5*9.8 = 50 < x ≤ 1+6*9.8=59.8
  但你的原始数据里，没有数值落在这个区间内（65属于类别7，47属于类别5），所以这个类别没有样本，OneHotEncoder就不会生成对应的列。

2. 循环逻辑存在边界风险 #

你的循环while a[i] > (min_a + x * div): x +=1没有限制x的最大值，比如原始数据里的778，会导致x远大于10，生成超出1-10的类别，这也会干扰后续独热编码的维度准确性。

修正方案 #

方案1：强制指定OneHotEncoder的类别范围 #

即使某个类别没有样本，也让它生成对应的列。修改后的代码如下：

from sklearn.preprocessing import OneHotEncoder
import numpy as np

a = np.array([1, 8, 7, 6, 5, 8, 95, 44, 778, 12, 25, 12, 12, 65, 47, 85, 32, 99, 88])
a = a.reshape(-1, 1)
max_a = np.max(a) 
min_a = np.min(a) 
div = (max_a - min_a) / 10 

for i in range(a.shape[0]):
    x = 1
    # 增加x不超过10的限制，避免超大数值导致类别溢出
    while x <10 and a[i] > (min_a + x * div):
        x = x + 1
    a[i] = x

# 强制指定类别为1到10，确保每个类别都有对应的列
onehot_a = OneHotEncoder(sparse=False, categories=[np.arange(1,11)])
a = onehot_a.fit_transform(a)
print(a.shape) # 输出(19,10)，你之前处理后数组写20个是笔误，原始数组实际是19个元素

方案2：改用更可靠的区间划分方法 #

可以用np.digitize简化区间划分逻辑，避免手动循环的错误：

from sklearn.preprocessing import OneHotEncoder
import numpy as np

a = np.array([1, 8, 7, 6, 5, 8, 95, 44, 778, 12, 25, 12, 12, 65, 47, 85, 32, 99, 88])
a = a.reshape(-1, 1)
max_a = np.max(a) 
min_a = np.min(a) 

# 创建10个区间的边界，共11个点对应10个区间，确保包含最大值
bins = np.linspace(min_a, max_a, 11)
# 使用digitize划分类别，right=True让区间左闭右开，确保最小值被分到第1类
a = np.digitize(a, bins, right=True)

# 同样指定类别范围
onehot_a = OneHotEncoder(sparse=False, categories=[np.arange(1,11)])
a = onehot_a.fit_transform(a)
print(a.shape) # 输出(19,10)

这样修改后，不管有没有样本落在某个类别里，独热编码都会生成10列，完全符合你的预期。

内容的提问来源于stack exchange，提问作者HELO