使用OneHotEncoder编码报sparse matrix length is ambiguous错误如何解决

问题原因 #

报错的核心原因有两个：

1. sklearn的OneHotEncoder默认返回Scipy稀疏矩阵格式，Pandas给列赋值时会校验数据长度，而稀疏矩阵不支持直接调用len()方法，直接赋值就会抛出该错误。
2. 独热编码的输出是和特征类别数量对应的多列矩阵，你没法把多列的编码结果塞进单个year_label列里，逻辑上不成立。

修复方案 #

根据你的实际需求二选一即可：

方案1：确实要做独热编码，把结果并入原表 #

这是独热编码的标准写法：

from sklearn.preprocessing import OneHotEncoder
import pandas as pd

# 初始化编码器，指定返回密集数组，drop参数可选，用来避免多重共线性
ohe = OneHotEncoder(sparse_output=False, drop="first")

# 处理year列
encode_data = ohe.fit_transform(df[["year"]])
# 生成编码后的列名
encode_cols = ohe.get_feature_names_out(["year"])

# 把编码后的多列数据合并到原DataFrame
df = pd.concat([df, pd.DataFrame(encode_data, columns=encode_cols, index=df.index)], axis=1)

如果你用的sklearn版本低于1.2，把参数sparse_output=False改成sparse=False即可。

方案2：实际需要把年份转成单个数值标签（序号编码） #

如果不需要拆成多列独热，只是要把分类值转成连续数值，你用错了编码器，应该用LabelEncoder：

from sklearn.preprocessing import LabelEncoder

le = LabelEncoder()
df["year_label"] = le.fit_transform(df["year"])
# 此时可以正常调用unique方法
print(df["year_label"].unique())

内容的提问来源于stack exchange，提问作者melololo