Python分类特征编码：三类编码器差异、适用场景及sklearn实现

One-Hot Encoding（独热编码） #

核心逻辑 #

对单个分类特征的每个独立取值创建一个新的二进制列，单条样本在对应取值的列上值为1，其余列值为0，编码后不存在任何数值大小的顺序暗示。

适用场景 #

• 处理无序分类特征：比如性别、城市、商品类目这类取值之间没有天然高低、先后顺序的特征
• 搭配对特征数值尺度、大小敏感的模型使用：比如线性回归、逻辑回归、SVM、神经网络这类基于距离计算或线性权重的模型，直接给无序特征赋整数值会让模型误判特征存在顺序关系，引入错误偏差

踩坑提醒 #

如果特征的不同取值数量（基数）过高（比如超过100个），独热编码会造成特征维度爆炸，不建议使用。

代码实现 #

from sklearn.preprocessing import OneHotEncoder
import numpy as np

# 构造示例数据：无序分类特征「城市」
city_data = np.array([["北京"], ["上海"], ["广州"], ["上海"], ["北京"]])

# 初始化编码器：sparse_output=False返回稠密数组，handle_unknown='ignore'遇到未见过的取值不会报错
ohe = OneHotEncoder(sparse_output=False, handle_unknown='ignore')
city_encoded = ohe.fit_transform(city_data)

print("原始特征：\n", city_data)
print("独热编码结果：\n", city_encoded)
print("取值对应关系：", ohe.categories_)

Ordinal Encoding（序数编码） #

核心逻辑 #

将分类特征的每个取值映射为从0开始的递增整数，编码后的数值大小直接对应特征的顺序等级。

适用场景 #

• 处理有序分类特征：比如满意度（不满意/一般/满意/非常满意）、学历等级、星级评分这类本身存在明确顺序、数值大小有实际业务含义的特征
• 搭配对特征顺序不敏感的树模型（随机森林、XGBoost、LightGBM等）使用时，只要映射顺序和业务逻辑一致，编码效果稳定

踩坑提醒 #

初始化编码器时一定要手动传入categories参数指定取值顺序，否则编码器会默认按字典序自动映射，很容易出现顺序和业务逻辑完全相反的问题；绝对不要给无序分类特征用序数编码，会给模型强行注入错误的顺序假设。

代码实现 #

from sklearn.preprocessing import OrdinalEncoder
import numpy as np

# 构造示例数据：有序分类特征「满意度」
satisfaction_data = np.array([["不满意"], ["一般"], ["满意"], ["非常满意"], ["一般"]])
# 手动指定业务上的正确顺序
level_map = [["不满意", "一般", "满意", "非常满意"]]

# 初始化编码器，传入自定义顺序
oe = OrdinalEncoder(categories=level_map)
satisfaction_encoded = oe.fit_transform(satisfaction_data)

print("原始特征：\n", satisfaction_data)
print("序数编码结果：\n", satisfaction_encoded)
print("取值对应顺序：", oe.categories_)

Label Encoding（标签编码） #

核心逻辑 #

映射逻辑和序数编码类似，将分类值映射为从0开始的整数，但它是专门为分类任务的目标标签设计的转换器，仅接受一维输入，编码值仅作为类别标识，不代表顺序关系。

适用场景 #

• 仅用于分类任务的目标标签（y）编码：比如多分类任务中将文本标签["猫", "狗", "鸟"]转换为模型可接受的整数格式[0,1,2]

踩坑提醒 #

不要用LabelEncoder编码输入特征X：它只支持一维输入，设计初衷就不是处理特征列，编码特征请选择OneHotEncoder或OrdinalEncoder。

代码实现 #

from sklearn.preprocessing import LabelEncoder
import numpy as np

# 构造示例数据：多分类任务标签
label_data = np.array(["猫", "狗", "鸟", "狗", "猫"])

le = LabelEncoder()
label_encoded = le.fit_transform(label_data)

print("原始标签：\n", label_data)
print("标签编码结果：\n", label_encoded)
print("取值对应关系：", le.classes_)
# 支持反向解码回原始标签
print("反向解码示例：", le.inverse_transform([0,1,2]))

核心差异速查 #

• 适用对象不同：OneHotEncoder、OrdinalEncoder是处理输入特征X的转换器，接受二维数组输入，支持同时编码多列特征；LabelEncoder是处理目标标签y的工具，仅接受一维数组输入，不支持处理特征列
• 顺序假设不同：OneHotEncoder完全不引入顺序假设，编码后各特征列地位平等；OrdinalEncoder的编码值存在明确的递增顺序，必须匹配业务逻辑；LabelEncoder的编码值仅为类别标识，不要求标签存在顺序关系
• 输出维度不同：OneHotEncoder会将单列特征扩展为N列（N为该特征的不同取值数量）；OrdinalEncoder、LabelEncoder编码后维度和原始输入一致，不会扩展列数

内容的提问来源于stack exchange，提问作者Kutluk Atalay