Sklearn中Pipeline结合OneHotEncoder是否会删除原始分类列？

1. 原始分类列会被删除吗？ #

没错，当你通过make_column_transformer将分类列交给OneHotEncoder处理时，这些原始分类列会被完全替换为独热编码生成的新特征，不会保留在最终输入到RandomForestClassifier的特征矩阵里。

举个实际场景：假设你有一个分类列color，取值为["red", "blue", "green"]，经过OneHotEncoder处理后，会生成color_red、color_blue、color_green三个二元特征，原始的color列会被丢弃——毕竟树模型无法直接处理字符串类型的分类特征，独热编码已经把这些信息转换成了模型能理解的数值形式。

2. 怎么查看输入到RandomForest的数据？ #

Pipeline确实把预处理和模型封装成了一个整体，但我们可以拆开来查看预处理后的特征数据，这里有两种实用方法：

方法一：单独测试预处理流程 #

在拟合整个Pipeline之前，你可以先让预处理步骤拟合训练数据，然后转换出特征矩阵，再转成DataFrame查看细节：

# 先拟合预处理组件
preprocess.fit(ros_xtrain, ros_train_y)
# 转换得到处理后的特征矩阵
processed_features = preprocess.transform(ros_xtrain)
# 获取所有特征的名称（包括标准化的数值特征和独热编码后的分类特征）
feature_names = preprocess.get_feature_names_out()
# 转成DataFrame，方便查看结构和内容
processed_df = pd.DataFrame(processed_features, columns=feature_names)
# 查看前5行数据
print(processed_df.head())

方法二：从训练后的Pipeline/GridSearch中提取 #

如果你已经完成了grid_clf.fit()，可以从训练好的最佳模型中取出预处理步骤，再查看数据：

# 从GridSearchCV中获取训练好的Pipeline
best_pipeline = grid_clf.best_estimator_
# 取出预处理步骤（默认名称是'columntransformer'，可以通过print(best_pipeline)确认）
trained_preprocessor = best_pipeline.named_steps['columntransformer']
# 转换数据
processed_features = trained_preprocessor.transform(ros_xtrain)
# 获取特征名称并转成DataFrame
feature_names = trained_preprocessor.get_feature_names_out()
processed_df = pd.DataFrame(processed_features, columns=feature_names)
print(processed_df.head())

小提示 #

• 如果你用的是Sklearn 1.2之前的版本，OneHotEncoder默认输出稀疏矩阵，需要先转成密集数组：processed_features = processed_features.toarray()
• 除非有特殊需求，不要保留原始分类列——同时保留原始列和独热编码列会造成特征冗余，反而可能影响模型效果。

内容的提问来源于stack exchange，提问作者Omar Baz