Scikit-Learn中OneHotEncoder输出不符合预期该如何解决？

• OneHotEncoder在scikit-learn 1.2版本之前默认参数sparse=True，编码后会输出稀疏矩阵；同时ColumnTransformer默认参数sparse_threshold=0.3，当输出的稀疏比例超过30%时会自动返回稀疏矩阵格式，直接用np.array()包裹稀疏矩阵不会自动转为稠密数组，才会出现你看到的坐标+值的输出格式。
• 你的数据集和核心逻辑没有问题，只是参数配置没有指定输出稠密格式。

你可以根据自己的sklearn版本任选一种改法：

方案1：直接指定OneHotEncoder输出稠密数组（所有版本通用） #

修改OneHotEncoder的初始化参数，关闭稀疏输出即可：

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

# sklearn >=1.2版本写法
ct = ColumnTransformer(transformers=[('encoder', OneHotEncoder(sparse_output=False), [0])], remainder='passthrough')
# sklearn <1.2版本把上面的sparse_output替换为sparse，即OneHotEncoder(sparse=False)
X = ct.fit_transform(X)

方案2：对返回的稀疏矩阵手动转稠密 #

如果不想修改编码器参数，也可以调用稀疏矩阵的toarray()方法转成普通numpy数组：

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

ct = ColumnTransformer(transformers=[('encoder', OneHotEncoder(), [0])], remainder='passthrough')
X = np.array(ct.fit_transform(X).toarray())

该方案仅适合特征维度较低的场景，如果你后续有上百上千个离散特征，直接转稠密会占用过多内存，建议优先使用方案1或者直接选用支持稀疏矩阵输入的模型。

两种方案执行后，X就会是你预期的[1.0, 0.0, 0.0, ..., 2017]格式的稠密数组，可以直接传入train_test_split或者回归模型使用。

内容的提问来源于stack exchange，提问作者Umut K.