如何在泰坦尼克数据集上正确定义并使用OneHotEncoder？

嘿，刚接触Scikit-learn很容易踩这个坑，我来帮你把Sex特征转成你想要的OneHot格式！

问题出在哪？ #

你尝试的代码里，直接把OneHotEncoder.fit_transform()的结果赋值回原列是错误的：

• OneHotEncoder处理单个分类特征后，会生成多个新列（比如Sex有2个类别，就生成2列），而不是替换原有的1列；
• 默认情况下它返回的是稀疏矩阵，直接赋值会导致数据结构混乱，看起来还是LabelEncoder的结果，其实是赋值失败了。

正确解决方案（两种方式） #

方式一：手动处理Sex特征，合并到原数据

这种方式适合新手理解整个过程：

from sklearn.preprocessing import LabelEncoder, OneHotEncoder
import pandas as pd

# 1. 先对Embarked用LabelEncoder（和你之前的操作一致）
labelencoder = LabelEncoder()
data['Embarked'] = labelencoder.fit_transform(data['Embarked'])

# 2. 对Sex做OneHot编码
# 注意：要传入二维数组（用[['Sex']]而非['Sex']），并设置sparse_output=False返回密集矩阵
onehotencoder = OneHotEncoder(sparse_output=False)
sex_onehot = onehotencoder.fit_transform(data[['Sex']])

# 3. 将OneHot结果转成DataFrame，指定列名（LabelEncoder对Sex的编码顺序是female→0，male→1）
sex_df = pd.DataFrame(sex_onehot, columns=['Female', 'Male'])

# 4. 合并原数据和新的Sex列，删除原Sex列
data = pd.concat([data, sex_df], axis=1)
data.drop('Sex', axis=1, inplace=True)

# 5. 调整列顺序到你想要的格式（可选）
data = data[['PassengerId', 'Survived', 'Pclass', 'Male', 'Female', 'Age', 'SibSp', 'Parch', 'Fare', 'Embarked']]

方式二：用ColumnTransformer（Scikit-learn推荐方式）

如果以后要处理多个不同类型的特征，用ColumnTransformer可以一次性配置所有编码规则，更高效规范：

from sklearn.compose import ColumnTransformer
from sklearn.preprocessing import LabelEncoder, OneHotEncoder
import pandas as pd

# 1. 定义转换器：指定不同特征的编码方式
preprocessor = ColumnTransformer(
    transformers=[
        # 对Sex列用OneHotEncoder，返回密集矩阵
        ('sex_onehot', OneHotEncoder(sparse_output=False), ['Sex']),
        # 对Embarked列用LabelEncoder
        ('embarked_label', LabelEncoder(), ['Embarked'])
    ],
    remainder='passthrough'  # 其他列保持原样不处理
)

# 2. 执行转换，结果是numpy数组，转成DataFrame
processed_data = preprocessor.fit_transform(data)

# 3. 整理列名：获取OneHot列名、LabelEncoder列名和剩余列名
sex_columns = preprocessor.named_transformers_['sex_onehot'].get_feature_names_out(['Sex'])
remainder_columns = data.columns.difference(['Sex', 'Embarked'])
all_columns = list(sex_columns) + ['Embarked'] + list(remainder_columns)

# 4. 转成DataFrame并重命名列，调整顺序
data = pd.DataFrame(processed_data, columns=all_columns)
data.rename(columns={'Sex_female': 'Female', 'Sex_male': 'Male'}, inplace=True)
data = data[['PassengerId', 'Survived', 'Pclass', 'Male', 'Female', 'Age', 'SibSp', 'Parch', 'Fare', 'Embarked']]

验证结果 #

运行完上面的代码后，你就能得到预期的数据格式：

PassengerId  Survived  Pclass  Male  Female   Age  SibSp  Parch     Fare  Embarked
0            1         0       3   1.0     0.0  22.0      1      0   7.2500         2
1            2         1       1   0.0     1.0  38.0      1      0  71.2833         0
2            3         1       3   0.0     1.0  26.0      0      0   7.9250         2

内容的提问来源于stack exchange，提问作者Yagel