pd.get_dummies()列名带奇怪后缀因默认对非数值列编码且空值/重复类别触发自动加序号；遇NaN默认生成city_nan列，应先fillna或设dummy_na=True；训练测试集须合并后统一编码以防列数不一致；高基数变量易致性能骤降，需先查nunique()再选top-k或目标编码。
为什么 pd.get_dummies() 生成的列名有时带奇怪后缀？
因为默认对所有非数值列都做独热编码，且当某列含空值或重复类别时，pd.get_dummies() 会自动在列名后加下划线和序号（比如 color_blue、color_red），但若原始列名本身含下划线或特殊字符，就容易混成 category_type_A 这种难读的形式。
实操建议：
- 用
prefix参数统一加前缀，比如prefix='cat'，避免依赖默认命名 - 加
prefix_sep='_'显式声明分隔符，防止和原列名里的符号冲突 - 提前用
df[col].astype('category')规范类型，能减少空值引发的意外列分裂
pd.get_dummies() 遇到 NaN 怎么办？
默认会把 NaN 当作一个独立类别生成一列（如 city_nan），这通常不是你想要的——多数模型不能直接吃含 NaN 的独热列，反而引入噪声。
实操建议：
- 加参数
drop_first=False没用，关键在dummy_na=False（默认就是False，但显式写上更安心） - 真正有效的是先处理缺失：用
df['col'].fillna('MISSING')再编码，或直接删掉含 NaN 的行（df.dropna(subset=['col'])） - 如果必须保留 NaN 语义，就设
dummy_na=True，但后续得手动删掉那一列，否则训练时容易报错
训练集和测试集用 get_dummies() 要分开还是合并？
必须先合并再编码，否则训练集有的类别、测试集没有，会导致列数不一致，模型直接报 ValueError: X has 5 features per sample; expecting 6。
实操建议：
- 别对 train/test 分别调用
pd.get_dummies()—— 这是最常见翻车点 - 正确做法：用
pd.concat([train, test], keys=['train', 'test'])拼一起编码，再按 key 拆开 - 或者更稳妥：用
sklearn.preprocessing.OneHotEncoder(handle_unknown='ignore')，它能记住训练时见过的类别，测试时遇新值自动忽略 - 注意拼接后要重置索引，否则
get_dummies()可能因索引重复出错
性能差？10万行数据卡住？
pd.get_dummies() 在高基数分类变量（比如用户 ID、URL 字段）上会爆炸式生成几千列，内存飙升、速度骤降，甚至触发 MemoryError。
实操建议：
- 先用
df['col'].nunique()查基数，超过 100 就别硬上get_dummies() - 高频值只留 top-k，其余归为
other：用df['col'].value_counts().nlargest(10).index - 对超高基数字段，改用目标编码（Target Encoding）或哈希编码（
sklearn.feature_extraction.FeatureHasher） - 别忘了删原始列：
drop=True是默认行为，但显式写上更保险
类别多、分布偏、有缺失——这几个条件凑齐时，get_dummies() 很快就从便利工具变成隐患源头。动手前花三十秒看一眼 nunique() 和 isna().sum()，比后面 debug 两小时强得多。
