封装的代码如下，文件名为my_one_hot_encoder.py

import pandas as pdfrom sklearn.preprocessing import OneHotEncoder, LabelEncoderclass One_hot_encoder:    def __init__(self, df, column_name_list):        self.df = df        self.column_name_list = column_name_list        def multi_column_encoder(self):        Enc_ohe, Enc_label = OneHotEncoder(), LabelEncoder()        for column_name in self.column_name_list:            self.df["Dummies"] = Enc_label.fit_transform(self.df[column_name])            self.df_dummies = pd.DataFrame(Enc_ohe.fit_transform(self.df[["Dummies"]]).todense(), columns = Enc_label.classes_)            self.df_dummies.rename(columns=lambda x: column_name + "_" + x, inplace=True)            self.df = pd.concat([self.df, self.df_dummies], axis=1)         self.df.drop(["Dummies"], axis=1, inplace=True)        self.df.drop(self.column_name_list, axis=1, inplace=True)         return self.df

测试转换数据代码如下，文件名称为test_one_hot_encoder.py

import pandas as pdfrom my_one_hot_encoder import One_hot_encoderif __name__ == '__main__':    df = pd.read_excel("D:/data/testdata.xlsx")    column_name_list = ["pet", "city"]    df_encoded = One_hot_encoder(df, column_name_list).multi_column_encoder()    print(df_encoded)

##testdata.xlsx数据明细如下：age	city	pet	salary4	beijing	cat	46	shenzhen	dog	53	guangzhou	dog	13	shenzhen	fish	1

##执行python test_one_hot_encoder.py，结果如下所示：

age  salary  pet_cat  pet_dog  pet_fish  city_beijing  city_guangzhou  \0    4       4      1.0      0.0       0.0           1.0             0.01    6       5      0.0      1.0       0.0           0.0             0.02    3       1      0.0      1.0       0.0           0.0             1.03    3       1      0.0      0.0       1.0           0.0             0.0   city_shenzhen0            0.01            1.02            0.03            1.0

##LabelEncoder() & OneHotEncoder() 与get_dummies的利与弊

1、get_dummies 不像 sklearn 的 transformer一样，有 transform方法，所以一旦测试集中出现了训练集未曾出现过的特征取值，简单地对测试集、训练集都用 get_dummies 方法将导致数据错误。

2、不是 sklearn 里的transformer类型，所以得到的结果得手动输入到 sklearn 里的相应模块，也无法像 sklearn 的transformer一样可以输入到pipeline中 进行流程化地机器学习过程。

3、使用LabelEncoder() & OneHotEncoder()重新封装的方法，可以完美解决LabelEncoder不接受多列输入的问题，也解决了，在使用get_dummies时测试集中出现训练集未曾出现过的特征取值会报错的问题；当然重新封装的方法也可以进一步改成pipeline模式操作。