关于scikit-learn中One Hot Encoder使用的两个常见问题

问题1：为什么OneHotEncoder不支持一维数据输入，reshape为(nrows, 1)后可以正常运行？ #

• 这是scikit-learn所有特征转换器的通用接口规范：所有特征输入矩阵X必须是二维数组，形状约定为(样本数, 特征数)，一维数组默认被识别为标签向量y的格式，不允许作为特征输入到转换器中。
• 一维数据的形状为(n_samples,)，没有特征维度的标识，转换器无法判断这是「1个特征的n个样本」还是「1个样本的n个特征」，会直接抛出维度不匹配的错误。
• 将一维数据reshape为(nrows, 1)后，明确标注了这是n个样本、1个特征的二维特征矩阵，符合接口输入要求，因此可以正常运行。该规则不是OneHotEncoder独有，StandardScaler、OrdinalEncoder等其他转换器都遵循该规范。

问题2：drop参数的不同取值分别有什么作用，设置为None会产生什么效果？ #

drop参数的核心作用是避免独热编码生成的特征存在完全多重共线性问题，提升编码结果对线性模型等对共线性敏感的模型的兼容性，不同取值的效果如下：

• drop=None：默认取值，不会丢弃任何类别的编码列，一个包含k个类别的特征最终会生成k个独热列，完整保留所有类别信息。该模式下生成的特征存在完全共线性，适合树模型等对共线性不敏感的算法场景。
• drop='first'：对每个特征统一丢弃第一个类别的编码列，k个类别的特征最终生成k-1个独热列，所有列全为0的情况即代表被丢弃的第一个类别，完全消除多重共线性，适合所有离散特征的编码场景，尤其适配线性模型、回归类算法。
• drop='if_binary'（即你提到的binary取值）：仅对恰好包含2个类别的二分类特征丢弃1个编码列，最终仅输出1个二元列表示该特征；对于类别数≥3的多分类特征，保留所有k个编码列，不做丢弃处理。适合数据集同时包含二分类和多分类特征、仅需要对二分类特征做共线性处理的场景。
• 此外你还可以传入自定义列表，指定每个特征需要丢弃的具体类别，灵活适配特殊的业务编码需求。

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