使用OneHotEncoder(drop='first')后数据集丢失3个值的原因咨询

问题根源在于你给OneHotEncoder设置了drop="first"参数——这个参数会针对每个指定的分类列，自动删除该列第一个类别对应的编码列。你一共选了3个分类列（Sex、Fasting_Blood_Sugar、Exercise_Angina），每个列删掉一个类别，加起来正好是3个，这就是你看到的“3个值被删除”的现象。

具体场景拆解 #

假设你的三个分类列都是二元取值（比如Sex为男/女、Fasting_Blood_Sugar为0/1、Exercise_Angina为否/是）：

• 处理Sex时，drop="first"会删掉第一个类别（比如男）的编码列，只保留女对应的编码列
• 处理Fasting_Blood_Sugar时，删掉第一个类别（比如0）的编码列，只保留1对应的编码列
• 处理Exercise_Angina时，删掉第一个类别（比如否）的编码列，只保留是对应的编码列

原本每个二元列会生成2个编码列，现在每个列只生成1个，总共减少了3个编码列，对应你观察到的“3个值被删除”。

这个参数的设计目的 #

drop="first"是用来避免多重共线性的：如果保留所有类别的编码列，列之间会存在线性关联（比如知道某样本不是男，就必然是女），这种关联会干扰线性模型（如线性回归、逻辑回归）的训练效果。删掉一个类别就能打破这种依赖关系。

补充说明 #

• 若不想删除任何类别，直接移除drop="first"参数即可，这样每个分类列的所有类别都会生成对应的编码列
• 你可以通过encoder.get_feature_names_out()查看编码后的列名，能清晰看到哪些类别被保留了

内容的提问来源于stack exchange，提问作者Asra Hussain