机器学习One Hot Encoding使用求助：类别特征编码后维度不匹配

问题原因 #

你原代码报错的核心是OneHotEncoder会将每个类别特征拆分为多个二进制列，比如原类别列里的State-gov/Private这类特征会被拆成对应类别数量的列，编码后数组的列数远大于原类别列的8列，自然无法直接赋值回原数组的对应位置。

可行方案 #

方案1：使用ColumnTransformer（sklearn推荐） #

这是最规范的做法，能自动区分数值列和类别列，分别处理后合并成最终特征矩阵，无需手动拼接。

import numpy as np
from sklearn.preprocessing import OneHotEncoder
from sklearn.compose import ColumnTransformer
from sklearn.preprocessing import StandardScaler # 数值列可选标准化，按需添加

# 定义类别列和数值列索引
cat_columns = [1, 5, 6, 7, 8, 9, 13, 14]
num_columns = [col for col in range(train.shape[1]) if col not in cat_columns]

# 构建转换器：数值列可选择标准化，类别列用OneHot编码
preprocessor = ColumnTransformer(
    transformers=[
        ('num', StandardScaler(), num_columns), # 若不需要标准化，替换为'passthrough'
        ('cat', OneHotEncoder(sparse_output=False, drop='first'), cat_columns) # drop='first'避免多重共线性，可选
    ])

# 拟合并转换训练集
train_processed = preprocessor.fit_transform(train)

方案2：手动拆分+拼接 #

手动分离数值列和类别列，编码类别列后与数值列横向拼接，灵活可控。

import numpy as np
from sklearn.preprocessing import OneHotEncoder

cat_columns = [1, 5, 6, 7, 8, 9, 13, 14]
num_columns = [col for col in range(train.shape[1]) if col not in cat_columns]

# 提取数值列和类别列
train_num = train[:, num_columns]
train_cat = train[:, cat_columns]

# 编码类别列
ohe = OneHotEncoder(sparse_output=False, drop='first')
train_cat_encoded = ohe.fit_transform(train_cat)

# 拼接数值列和编码后的类别列（注意先转成float类型，避免类型不兼容）
train_processed = np.hstack([train_num.astype(np.float64), train_cat_encoded])

方案3：OrdinalEncoder（仅适用于有序类别特征） #

如果你的类别特征是有序的（比如学历：小学<初中<高中），可以用OrdinalEncoder将每个类别映射为单一整数，不会增加列数。但注意无序类别（比如职业、国籍）用这个会引入不合理的顺序关系，不推荐。

from sklearn.preprocessing import OrdinalEncoder

cat_columns = [1, 5, 6, 7, 8, 9, 13, 14]
oe = OrdinalEncoder()
train[:, cat_columns] = oe.fit_transform(train[:, cat_columns])

补充说明 #

• 关于最后一列（预测目标）：你提到后续会拆分，建议先把这一列从特征矩阵中分离出来，单独作为标签处理，避免被编码：

# 分离特征和标签（假设最后一列是标签列）
X_train = train[:, :-1]
y_train = train[:, -1]

然后再对X_train执行上述特征处理流程。

内容的提问来源于stack exchange，提问作者vito