如何在Python Pipeline中结合LabelBinarizer与OneHotEncoder处理分类变量

我完全懂你找资料时的郁闷——很多示例要么只单独演示编码工具，要么只讲Pipeline，但很少把两者结合起来解决实际的混合类型数据集问题。针对你的场景（数值变量num1/num2，分类变量cate1/cate2），咱们一步步实现完整的预处理+建模Pipeline。

核心思路：用ColumnTransformer分类型处理列 #

Scikit-learn的ColumnTransformer是解决这类问题的关键——它能让我们对不同列应用不同的预处理逻辑，然后把结果合并成最终的特征矩阵，完美适配Pipeline。

先明确工具适用场景：

• LabelBinarizer：适合处理二分类变量（比如cate1只有"是"/"否"两个取值）
• OneHotEncoder：适合处理多分类变量（比如cate2有"红"/"蓝"/"绿"多个取值）

完整代码示例 #

1. 导入所需库 #

import pandas as pd
import numpy as np
from sklearn.pipeline import Pipeline
from sklearn.compose import ColumnTransformer
from sklearn.preprocessing import LabelBinarizer, OneHotEncoder, StandardScaler, FunctionTransformer
from sklearn.linear_model import LinearRegression
from sklearn.model_selection import train_test_split

2. 准备示例数据集（模拟你的数据） #

# 生成符合你场景的示例数据
data = pd.DataFrame({
    'num1': np.random.rand(100),
    'num2': np.random.rand(100)*100,
    'cate1': np.random.choice(['yes', 'no'], 100),  # 二分类变量
    'cate2': np.random.choice(['A', 'B', 'C', 'D'], 100),  # 多分类变量
    'target': np.random.rand(100)*50
})

# 拆分训练集和测试集
X = data.drop('target', axis=1)
y = data['target']
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

3. 构建预处理Pipeline #

这里要注意：LabelBinarizer默认输出是一维数组，而ColumnTransformer期望每个转换器输出二维矩阵，所以我们用Pipeline包裹它，并添加一步转置来适配格式。另外也可以用OneHotEncoder(drop='first')替代LabelBinarizer处理二分类，更简洁，我会两种都演示。

方式一：用LabelBinarizer处理二分类变量

# 定义不同类型的列分组
numeric_features = ['num1', 'num2']
binary_categorical_features = ['cate1']
multi_categorical_features = ['cate2']

# 数值列预处理：可选标准化（也可以用'passthrough'直接保留原始值）
numeric_transformer = Pipeline(steps=[
    ('scaler', StandardScaler())
])

# 二分类列预处理：LabelBinarizer + 转成二维格式
binary_cat_transformer = Pipeline(steps=[
    ('binarizer', LabelBinarizer()),
    # 把一维数组转成二维，适配ColumnTransformer的要求
    ('to_2d', FunctionTransformer(lambda x: x.reshape(-1, 1), validate=False))
])

# 多分类列预处理：OneHotEncoder
multi_cat_transformer = Pipeline(steps=[
    ('onehot', OneHotEncoder(handle_unknown='ignore'))  # 忽略测试集中未见过的类别，避免报错
])

# 整合所有预处理步骤
preprocessor = ColumnTransformer(
    transformers=[
        ('num', numeric_transformer, numeric_features),
        ('binary_cat', binary_cat_transformer, binary_categorical_features),
        ('multi_cat', multi_cat_transformer, multi_categorical_features)
    ])

方式二：用OneHotEncoder替代LabelBinarizer（更简洁）

如果你的二分类变量用OneHotEncoder(drop='first')，可以省去转置的步骤，效果和LabelBinarizer完全一致：

binary_cat_transformer = Pipeline(steps=[
    ('onehot', OneHotEncoder(drop='first', handle_unknown='ignore'))
])

4. 构建完整的建模Pipeline #

把预处理和模型整合到一个Pipeline里，实现端到端的训练：

# 完整Pipeline：预处理 + 模型
model_pipeline = Pipeline(steps=[
    ('preprocessor', preprocessor),
    ('regressor', LinearRegression())
])

# 拟合模型
model_pipeline.fit(X_train, y_train)

# 预测测试集
y_pred = model_pipeline.predict(X_test)

关键细节说明 #

• handle_unknown='ignore'：确保测试集中出现训练集未见过的分类类别时，不会报错，而是自动忽略该特征列。
• ColumnTransformer会自动把所有处理后的列按顺序合并成一个特征矩阵，无需手动拼接。
• 整个Pipeline可以像单个模型一样使用，支持交叉验证、网格搜索等高级操作（比如给不同预处理步骤调参）。

这样你就可以一次性完成数值变量标准化、分类变量编码，以及模型拟合的全流程了！

内容的提问来源于stack exchange，提问作者KubiK888