机器学习：如何在具有分类和数字特征的 pandas 数据帧上应用一种热编码？
Machine Learning: How do I apply one hot encoding on a pandas dataframe with both categorical and numerical features?
有些特征是数字特征，例如 "graduation rate from school"，而其他特征是分类特征，例如学校名称。我对分类特征使用了标签编码器，将它们转换为整数。
我现在有一个包含浮点数和整数的数据框，分别表示数字特征和分类特征（使用标签编码器转换）。
我不确定如何进行学习，我需要使用一种热编码吗？如果是这样，我该怎么做？根据我目前的理解，我不能简单地将数据帧传递给 sklearn OneHotEncoder，因为有浮点数。我是否只需将标签编码器应用于所有功能即可解决问题？
Sample data from my dataframe. OPEID and opeid6 were transformed using a label encoder
非常感谢！
只需将 OneHotEncoder categorical_features 参数用于 select ，特征是分类的：
categorical_features: “all” or array of indices or mask :
Specify what features are treated as categorical.
- ‘all’ (default): All features are treated as categorical.
- array of indices: Array of categorical feature indices.
mask: Array of length n_features and with dtype=bool.
Non-categorical features are always stacked to the right of the matrix.
有些特征是数字特征，例如 "graduation rate from school"，而其他特征是分类特征，例如学校名称。我对分类特征使用了标签编码器，将它们转换为整数。
我现在有一个包含浮点数和整数的数据框，分别表示数字特征和分类特征（使用标签编码器转换）。
我不确定如何进行学习，我需要使用一种热编码吗？如果是这样，我该怎么做？根据我目前的理解，我不能简单地将数据帧传递给 sklearn OneHotEncoder，因为有浮点数。我是否只需将标签编码器应用于所有功能即可解决问题？
Sample data from my dataframe. OPEID and opeid6 were transformed using a label encoder
非常感谢！
只需将 OneHotEncoder categorical_features 参数用于 select ，特征是分类的：
categorical_features: “all” or array of indices or mask :
Specify what features are treated as categorical.
- ‘all’ (default): All features are treated as categorical.
- array of indices: Array of categorical feature indices.
mask: Array of length n_features and with dtype=bool.
Non-categorical features are always stacked to the right of the matrix.