scikit-learn-contrib/category_encoders

What it solves

机器学习模型通常需要数值输入，但现实世界的数据集往往包含类别变量（例如国家名称或性别）。该库提供了一套完整的工具，将这些类别标签转换为模型可以处理的数值格式，并为简单的 one-hot encoding 提供更高级的替代方案。

How it works

它将多种编码技术实现为 scikit-learn 风格的转换器。这些技术分为两大类：

• 无监督编码器：仅根据特征本身将类别转换为数字（例如：Binary, Hashing, One-Hot, 和 Ordinal encoding）。
• Supervised encoders：使用目标变量来指导编码过程，这对于高基数（high-cardinality）特征更为有效（例如：Target Encoding, CatBoost, 和 LeaveOneOut encoding）。

该库直接与 pandas DataFrames 和 numpy arrays 集成，并设计用于 scikit-learn pipelines。

Who it’s for

数据科学家和机器学习工程师，特别是需要预处理处理高基数特征的数据，当标准 one-hot encoding 会产生过多列时。

Highlights

• Scikit-learn compatible：作为标准转换器使用，使其易于放入现有的 ML pipelines。
• Extensive library：支持多种监督式和无监督编码方法。
• Overfitting prevention：包含一个 NestedCVWrapper 和针对监督式编码器特定的 fit_transform 逻辑，以减少数据泄露。
• Flexible input：支持 numpy arrays 和 pandas DataFrames。