应设置handle_unknown="ignore"参数，使OneHotEncoder对预测时新出现的未知类别输出全0向量，避免报错；v1.3+版本还可选"infrequent_if_exist"。
OneHotEncoder报错“ValueError: Found unknown categories”怎么办
这是最常遇到的问题：训练时没见过的类别在预测阶段突然出现，
默认拒绝编码。它不是bug，是设计上的安全机制——防止模型把未见过的类别当成已知类处理。
解决方法是初始化时加参数
（推荐）或
（v1.3+），这样对未知值会输出全0向量
如果用的是旧版 scikit-learn（fit() 时把所有可能的类别显式传给
参数，比如
注意：
后，
输出列数不变，但含未知值的行对应位置全是0；若后续接了需要非零输入的模型（如某些树模型的路径判断），可能影响逻辑
用ColumnTransformer配合OneHotEncoder时列名丢了怎么办
默认不保留原始列名，
输出的特征也没名字，结果变成纯 numpy 数组，debug 和特征重要性分析都困难。
scikit-learn ≥ 1.2 可直接设
（默认开启），再用
拿到带前缀的列名，例如
返回
老版本需手动拼接：先用
拿到类别列表，再和原始列名组合，比如
别忘了：如果
里混用了其他转换器（如
），它们不会生成新列名，
仍能统一返回，但得确保每个 transformer 都支持该方法（
支持，自定义函数则不一定）
OneHotEncoder对高基数类别特征（如用户ID）直接用会出什么问题
高基数（high-cardinality）特征——比如有上万种取值的
或
——用
会瞬间撑爆内存、拖慢训练，还容易导致过拟合。
别硬上独热：优先考虑替代方案，比如目标编码（
）、频率编码，或先做聚类/分桶再编码
如果真要用，必须限制最大类别数，用
（v1.3+）或手动过滤低频值（
），否则
阶段就可能 OOM
虽能减一列，但对高基数场景意义不大；真正关键的是控制
和预过滤，而不是省那1%的维度
为什么用pandas.get_dummies()有时比OneHotEncoder更方便
当只是做一次性探索、快速建模，或者数据已经全在 DataFrame 里且没缺失值时，
确实更轻量、更直观。
自动跳过数值列，
默认只处理 object 类型，但遇上
dtype 或含 nan 的 int 列容易报错，得提前清洗
默认处理 NaN 为单独一列（
），而
默认把 NaN 当未知值——除非设
（v1.3+）
但注意：
不是 transformer，无法保存状态，没法复用于新数据；上线部署或 pipeline 中必须用
+
/
流程
类别编码真正的难点不在语法，而在“哪些该编、哪些该压、哪些该丢”。
是个工具，不是解法；它不替你做业务判断，比如“城市名要不要合并为大区”“品牌名里的拼写错误算不算同一类”——这些得看数据分布、业务含义，然后才决定怎么配
、
或是否前置清洗。
OneHotEncoderhandle_unknown="ignore"handle_unknown="infrequent_if_exist"categoriescategories=[["a","b","c"]]handle_unknown="ignore"transform()ColumnTransformerOneHotEncoderverbose_feature_names_out=Trueget_feature_names_out()encoder.get_feature_names_out(["color"])['color_a', 'color_b']encoder.categories_[0][f"{col}_{cat}" for cat in encoder.categories_[0]]ColumnTransformerStandardScalerget_feature_names_out()StandardScaleruser_idproduct_skuOneHotEncoderTargetEncodermax_categoriesvalue_counts().head(n)fit()drop="first"max_categoriespandas.get_dummies()get_dummies()OneHotEncodercategoryget_dummies()dummy_na=TrueOneHotEncoderencoded_missing_value=np.nanget_dummies()OneHotEncoderfit()transform()OneHotEncodercategorieshandle_unknown