独热编码时如何对分类值排序加权实现自定义编码结果

sklearn.preprocessing.OneHotEncoder默认逐特征独立生成独热列，两个分类特征会生成2*5=10列纯0/1值结果，天然不支持跨同值域特征做加权合并，所以没法直接输出你要的效果，可以用以下两种方式实现需求：

方法1：Pandas 快速实现（适合离线小批量数据处理） #

核心逻辑是先初始化全0的编码矩阵，再按规则给对应分类列赋值：

import pandas as pd

# 加载原始数据
df = pd.DataFrame({
    'id': [1, 2, 3, 4, 5],
    'feature_1': ['a', 'b', 'c', 'd', 'e'],
    'feature_2': ['e', 'c', 'd', 'b', 'a']
})
# 固定分类值的列顺序，避免列错位
cat_cols = ['a', 'b', 'c', 'd', 'e']

# 初始化全0编码表
encode_res = pd.DataFrame(0, index=df.index, columns=cat_cols)
# feature_1对应列赋值1
for cat in cat_cols:
    encode_res.loc[df['feature_1'] == cat, cat] = 1
# feature_2对应列赋值0.5
for cat in cat_cols:
    encode_res.loc[df['feature_2'] == cat, cat] = 0.5

# 拼接id得到最终结果
final_res = pd.concat([df[['id']], encode_res], axis=1)

运行后输出结果和预期完全一致：

方法2：基于OneHotEncoder改造实现（兼容Sklearn Pipeline流程） #

如果你需要把编码逻辑嵌入sklearn的建模流水线，可以先调用OneHotEncoder生成标准独热结果，再按特征拆分块做加权求和：

from sklearn.preprocessing import OneHotEncoder
import pandas as pd
import numpy as np

# 初始化编码器，手动指定两个特征的分类顺序完全一致，避免错位
enc = OneHotEncoder(
    categories=[cat_cols, cat_cols],
    sparse_output=False
)
# 输出shape为(样本数, 10)，前5列对应feature_1的独热，后5列对应feature_2的独热
oh_matrix = enc.fit_transform(df[['feature_1', 'feature_2']])
# 按权重加和：feature_1权重1，feature_2权重0.5
custom_encode_matrix = oh_matrix[:, :len(cat_cols)] * 1 + oh_matrix[:, len(cat_cols):] * 0.5

# 拼接id得到结果
final_res_sk = pd.concat(
    [df[['id']], pd.DataFrame(custom_encode_matrix, columns=cat_cols)],
    axis=1
)

注意事项 #

• 必须手动指定categories参数固定分类顺序，若依赖编码器自动推断分类，当某个特征存在缺失分类值时会出现列错位，导致权重赋值错误。
• 该逻辑可扩展到多个同值域分类特征的加权编码，只要按特征拆分独热块、乘对应权重后加和即可。

内容的提问来源于stack exchange，提问作者Sharp Thwey Thit