使用OneHotEncoder后调用make_column_transformer归一化报ValueError问题咨询

One-hot编码操作的正确性判定 #

你当前的one-hot编码操作不符合时序数据的特征处理逻辑，是错误的：

• 你对完整的时间字符串做编码，每个唯一时间戳对应一个独立特征，最终特征维度高达250万+，不仅造成维度灾难，还完全丢失了时间的先后顺序、间隔等核心时序信息，模型无法学习到时间和价格的关联规律。
• OneHotEncoder默认输出scipy稀疏矩阵，该数据结构不存在pandas DataFrame的columns属性，是你后续归一化报错的直接原因。

正确处理方案 #

1. 时间特征提取 #

不要直接对完整时间字符串做编码，先将时间列转换为datetime类型，提取有业务意义的时间分量，保留时序属性：

# 读入数据后先处理时间列
btc_data["Time"] = pd.to_datetime(btc_data["Time"])
# 提取时间特征
btc_data["timestamp"] = btc_data["Time"].astype("int64") // 10**9 # 秒级Unix时间戳（数值型）
btc_data["hour"] = btc_data["Time"].dt.hour # 小时（类别型，0-23）
btc_data["dayofweek"] = btc_data["Time"].dt.dayofweek # 星期几（类别型，0-6）
btc_data["month"] = btc_data["Time"].dt.month # 月份（类别型，1-12）

2. 预处理流程修正 #

你可以直接将编码和归一化整合到make_column_transformer流程中，避免手动处理带来的数据类型不匹配问题：

# 划分特征和标签
X = btc_data[["timestamp", "hour", "dayofweek", "month"]]
y = btc_data["Open"]

# 时间序列任务不要使用随机划分，按时间先后划分训练测试集
train_size = int(len(X) * 0.8)
X_train, X_test = X.iloc[:train_size], X.iloc[train_size:]
y_train, y_test = y.iloc[:train_size], y.iloc[train_size:]

# 整合编码与归一化流程
ct = make_column_transformer(
    (MinMaxScaler(), ["timestamp"]), # 数值型时间戳做归一化
    (OneHotEncoder(handle_unknown="ignore"), ["hour", "dayofweek", "month"]) # 类别型时间特征做one-hot编码
)

ct.fit(X_train)
X_train_normal = ct.transform(X_train)
X_test_normal = ct.transform(X_test)

上述处理后，后续的模型训练、评估代码可以正常运行。

额外注意事项 #

BTC价格预测属于时序预测任务，禁止使用train_test_split做随机划分，否则会打乱时间顺序造成数据泄露，得到的模型结果没有实际意义。

内容的提问来源于stack exchange，提问作者Khosraw Azizi