使用独热编码器构建决策树：分类数据处理入门求助

完全明白你的需求，我直接给你一个从头到尾的可运行示例，覆盖从全分类数据集创建到决策树训练的全流程，用的就是你提到的Pandas get_dummies 方法，完美适配Scikit-learn的数值型输入要求。

步骤1：导入所需库 #

先把要用到的工具库都导进来：

import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.tree import DecisionTreeClassifier
from sklearn.metrics import accuracy_score, classification_report
from sklearn.preprocessing import LabelEncoder  # 用于处理分类标签

步骤2：创建全分类的示例数据集 #

模拟一个所有特征和标签都是分类类型的数据集，比如用户购买行为预测场景：

# 构建样本数据
data = {
    '性别': ['男', '女', '男', '女', '男', '女', '男', '女', '男', '女'],
    '职业': ['学生', '上班族', '上班族', '学生', '自由职业', '上班族', '学生', '自由职业', '上班族', '学生'],
    '学历': ['本科', '硕士', '本科', '大专', '硕士', '本科', '大专', '硕士', '本科', '大专'],
    '是否购买': ['是', '否', '是', '否', '是', '是', '否', '是', '否', '是']  # 标签列
}

df = pd.DataFrame(data)
print("原始数据集：")
print(df)

步骤3：拆分特征与标签，处理分类标签 #

Scikit-learn的模型要求标签是数值型，所以先把标签列转成0/1（两种方式任选其一即可）：

# 拆分特征X和标签y
X = df.drop('是否购买', axis=1)
y = df['是否购买']

# 方式1：用LabelEncoder自动编码
le = LabelEncoder()
y = le.fit_transform(y)

# 方式2：手动映射（适合标签取值明确的场景）
# y = y.map({'否': 0, '是': 1})

步骤4：用Pandas get_dummies做独热编码 #

这一步是核心，get_dummies会自动识别所有分类特征列，生成对应的二进制编码列，完全满足Scikit-learn的数值输入要求：

# 对特征进行独热编码
X_encoded = pd.get_dummies(X)
print("\n独热编码后的特征：")
print(X_encoded)

你会看到原来的每个分类特征的不同取值，都变成了单独的二进制列（比如性别_男、性别_女），既保留了所有分类信息，又不会引入数值顺序的误导。

步骤5：拆分训练集和测试集 #

把编码后的数据拆分成训练用和测试用的子集：

X_train, X_test, y_train, y_test = train_test_split(X_encoded, y, test_size=0.2, random_state=42)

步骤6：训练并评估决策树模型 #

现在就可以用Scikit-learn的决策树模型正常训练了：

# 初始化决策树分类器
clf = DecisionTreeClassifier(random_state=42)

# 训练模型
clf.fit(X_train, y_train)

# 预测测试集
y_pred = clf.predict(X_test)

# 评估模型性能
print("\n模型准确率：", accuracy_score(y_test, y_pred))
print("\n分类报告：")
print(classification_report(y_test, y_pred, target_names=le.classes_))

一些实用小提示 #

• 如果你的数据里有部分列不需要编码，可以用get_dummies的columns参数指定要编码的列，比如pd.get_dummies(X, columns=['性别', '职业'])
• 独热编码后不会引入数值型特征的尺度问题，完美适配决策树这类对特征尺度不敏感的模型
• 如果标签是多分类（超过2类），上述流程同样适用，只需要保持标签的数值编码即可

内容的提问来源于stack exchange，提问作者JCF