输入含np.nan时sklearn OrdinalEncoder输出结果不一致问题求解

三个场景差异的核心原因 #

• 场景1（嵌套列表输入，自动推断类别）：嵌套列表属于混合类型结构，其中的np.nan是真实浮点空值，OrdinalEncoder自动推断类别时会默认跳过空值，不会将其纳入有效类别，转换后空值位置保留nan输出，和预期一致。
• 场景2（numpy数组输入，自动推断类别）：numpy数组要求所有元素数据类型统一，当同时存入字符串和np.nan时，np.nan会被强制转换为字符串类型的'nan'，被OrdinalEncoder判定为普通有效类别，因此被分配了编码3，不符合预期。
• 场景3（手动指定categories参数）：OrdinalEncoder默认handle_unknown='error'，也就是输入值只要不在指定的类别列表里就会报错，输入中的np.nan不在给定的enc_order列表中，因此抛出ValueError异常。

符合预期的实现方案 #

要实现「指定有序类别、空值保留不参与编码」的效果，调整代码如下：

import numpy as np
from sklearn.preprocessing import OrdinalEncoder

dummy_array = [["1-5"],["6-10"],["10-15"],["6-10"],["10-15"],["10-15"],["1-5"],[np.nan]]
enc_order = ["1-5","6-10","10-15"]
enc = OrdinalEncoder(
    categories=[enc_order],
    handle_unknown='use_encoded_value',
    unknown_value=np.nan
)
print(enc.fit_transform(dummy_array))

输出结果如下，符合预期逻辑：

[[ 0.]
 [ 1.]
 [ 2.]
 [ 1.]
 [ 2.]
 [ 2.]
 [ 0.]
 [nan]]

内容的提问来源于stack exchange，提问作者adrianop01