如何用Scikit-learn和Pandas将编码列拼接至原始DataFrame

嘿，作为新手能想到用编码处理文本数据已经很棒啦！我来一步步教你怎么把编码后的列拼回原始DataFrame，分LabelEncoder和OneHotEncoder两种情况给你讲清楚～

LabelEncoder会把每个类别映射成一个整数，适合有序分类变量（比如成绩：差、中、优）。步骤如下：

1. 导入需要的库 #

import pandas as pd
from sklearn.preprocessing import LabelEncoder

2. 读取你的CSV文件 #

df = pd.read_csv('你的文件路径.csv')  # 替换成你的实际文件路径

3. 找出所有object类型的列 #

object_cols = df.select_dtypes(include=['object']).columns

4. 编码并拼接列 #

循环处理每个object列，生成编码后的新列并添加到原DataFrame中：

le = LabelEncoder()
for col in object_cols:
    # 给编码列起个新名字，比如原列名+_encoded
    df[f"{col}_encoded"] = le.fit_transform(df[col])

执行完后，原DataFrame里就会多出每个object列对应的编码列，原列会被保留。如果想直接替换原列，把代码改成df[col] = le.fit_transform(df[col])即可。

OneHotEncoder会把每个类别拆成单独的二进制列，适合无序分类变量（比如颜色：红、蓝、绿），避免模型误以为类别有顺序关系。

1. 导入库 #

import pandas as pd
from sklearn.preprocessing import OneHotEncoder

2. 编码并拼接 #

# 初始化OneHotEncoder，sparse_output=False让输出是数组（方便转DataFrame），drop='first'可选（避免多重共线性）
ohe = OneHotEncoder(sparse_output=False, drop='first')

# 对所有object列进行编码
encoded_data = ohe.fit_transform(df[object_cols])

# 获取编码后的列名（比如原列是"color"，会生成"color_red"、"color_blue"这类名字）
encoded_col_names = ohe.get_feature_names_out(object_cols)

# 把编码结果转成DataFrame，要和原df保持相同的索引
encoded_df = pd.DataFrame(encoded_data, columns=encoded_col_names, index=df.index)

# 拼接原df和编码后的df
final_df = pd.concat([df, encoded_df], axis=1)

# 如果想删除原object列，可加这行：
# final_df = final_df.drop(object_cols, axis=1)

如果你不想手动拆分、编码、拼接，ColumnTransformer可以帮你一次性处理所有列（指定哪些列编码，哪些列保留原样），新手用这个不容易出错：

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

# 定义转换器规则：对object列用OneHotEncoder，其他列直接保留
ct = ColumnTransformer(
    transformers=[
        ('onehot', OneHotEncoder(sparse_output=False, drop='first'), object_cols)
    ],
    remainder='passthrough'  # 保留非object类型的原列
)

# 执行转换，得到处理后的数组
transformed_data = ct.fit_transform(df)

# 获取所有列名（编码列+原非object列）
all_col_names = ct.get_feature_names_out()

# 转成最终的DataFrame
final_df = pd.DataFrame(transformed_data, columns=all_col_names)

新手注意点 #

• 处理前先检查数据是否有缺失值：LabelEncoder和OneHotEncoder都不能处理缺失值，需要先填充（比如df.fillna('未知', inplace=True)）或删除缺失行。
• 根据变量类型选编码方式：有序变量用LabelEncoder，无序变量用OneHotEncoder，别搞混啦～

内容的提问来源于stack exchange，提问作者moirK