如何将one hot编码列还原为数据集原始分类特征形态

固定规则独热列组（team2_offensive_derived_var_0 ~ team2_offensive_derived_var_10）还原 #

该组列是标准的全类别独热编码，每行仅一个位置取1，直接按列匹配逻辑还原即可，操作步骤如下：

• 新增row_id列，直接取数据集的行索引作为行序号存储
• 逐行扫描该组11个列，定位取值为1的列名，从列名末尾拆分出对应的var编号
• 将提取到的编号存入team2_offensive_derived列，完成后可删除原11个独热列减少冗余
  对应pandas实现代码：

# 筛选该组所有独热列
offensive_oh_cols = [c for c in df.columns if c.startswith("team2_offensive_derived_var_")]
# 生成行ID
df["row_id"] = df.index
# 匹配值为1的列，提取var编号
df["team2_offensive_derived"] = (
    df[offensive_oh_cols]
    .idxmax(axis=1)
    .str.split("_").str[-1]
    .astype(int)
)
# 可选：删除原始独热列
df = df.drop(columns=offensive_oh_cols)

浮点型ratio列组（team2_other_ratio_var_42 ~ team2_other_ratio_var_52）判断与还原 #

这组列是否为独热编码不能仅靠列名判断，先做两步校验即可明确属性：

1. 校验单格取值：标准独热编码的单格取值只能是0或1，哪怕存储为浮点型，也只会出现0.0、1.0两个值
2. 校验逐行求和结果：全量类别独热的每行在该组列的取值和固定为1；如果是丢弃了参考类的哑变量编码，行和为0（对应参考类）或1（对应其他类别）
   对应校验代码：

ratio_cols = [c for c in df.columns if c.startswith("team2_other_ratio_var_")]
# 统计非0/1的取值数量
non_binary_count = df[ratio_cols].apply(lambda x: ~x.isin([0.0, 1.0])).sum().sum()
# 统计行和的分布
row_sum_stats = df[ratio_cols].sum(axis=1).value_counts()

根据校验结果分支处理：

• 如果non_binary_count大于0，说明列中存在0、1以外的浮点值，这组列不是独热编码，本身就是连续型比率特征，直接按数值列做缺失值填充即可，不需要做编码还原
• 如果non_binary_count等于0，且所有行和都在[0,1]区间内，说明这组列是用浮点型存储的独热编码，还原逻辑和第一组列完全一致，逐行取最大值对应列的编号作为原始分类值即可
• 如果校验发现行和存在大于1的情况，说明这组列是多热编码（对应单样本同时归属多个类别），不能转成单列分类值，需要按多标签特征规则处理

提示：做缺失值填充时，还原后的分类列优先用众数填充，数值型比率列可根据分布选择均值、中位数或模型预测填充，适配后续statsmodels的分析要求。

内容的提问来源于stack exchange，提问作者Peter