OneHotEncoder仅支持最多5个分类值？多分类变量如何编码？

scikit-learn的OneHotEncoder不存在最多支持5个分类的限制，你观察到的5个类别正常、6个类别失效的现象，本质是旧版本scikit-learn的OneHotEncoder默认会在输出元素较多时自动返回稀疏矩阵，直接打印的展示效果和普通稠密数组差异大，容易被误判为编码未执行，不是编码器本身的功能限制。可通过以下方案解决：

方案1：修改输入数据类型，避免无Schema的Numpy数组传入 #

你当前把DataFrame通过.values转成无类型标注的Numpy数组，旧版本scikit-learn对这种输入的列类型推断容易出现异常，尤其是类别数量变化后可能触发转换失败。直接传入DataFrame即可解决：

import numpy as np
import pandas as pd
from sklearn.preprocessing import OneHotEncoder 
from sklearn.compose import ColumnTransformer

# 导入数据集
dataset = pd.read_csv('TestData.csv')
# 直接使用DataFrame作为输入，无需转values
X = dataset
ct = ColumnTransformer(transformers=[('encoder', OneHotEncoder(), [0])], remainder='passthrough') 
X = np.array(ct.fit_transform(X))

方案2：显式指定返回稠密矩阵 #

可以在初始化OneHotEncoder时强制指定返回稠密矩阵，避免稀疏矩阵的展示误导：

• scikit-learn 版本 <1.2 写法：OneHotEncoder(sparse=False)
• scikit-learn 版本 >=1.2 写法：OneHotEncoder(sparse_output=False)

修改后的ColumnTransformer初始化代码如下：

ct = ColumnTransformer(transformers=[('encoder', OneHotEncoder(sparse=False), [0])], remainder='passthrough')

方案3：替代方案：使用Pandas内置独热编码方法 #

如果不需要和scikit-learn的Pipeline联用，直接用pandas的get_dummies方法更简单，没有类别数量限制，还可以直接通过drop_first参数避免虚拟变量陷阱：

import pandas as pd

dataset = pd.read_csv('TestData.csv')
# 对Geography列做独热编码，drop_first=True自动移除第一列规避共线性
X = pd.get_dummies(dataset, columns=['Geography'], drop_first=True).values

验证技巧 #

编码完成后优先打印X.shape核对维度是否符合预期：6个类别的Geography列编码后如果不删虚拟变量会生成6列，加原有1列Continent总维度为7；如果删除1个虚拟变量则总维度为6，和打印内容相比维度校验更准确。

内容的提问来源于stack exchange，提问作者Daniel Fourie