在前面小节中，我们曾使用字典映射的方法将有序的尺寸特征转换为整数。由于scikit-learn的预估器将类标作为无序数据进行处理，可以使用scikit-learn中的LabelEncoder类将字符串类标转换为整数。同样，也可以用此方法处理数据集中标称数据格式的color列，代码如下：
执行上述代码，NumPy数组X的第一列现在被赋予新的color值，具体编码结果如下：
·blue→0
·green→1
·red→2
如果我们就此打住，直接将得到的数组导入分类器，那么就会犯处理类别数据时最常见的错误。读者发现问题所在了吗？虽然颜色的值并没有特定的顺序，但是学习算法将假定green大于blue、red大于green。虽然算法的这一假定不太合理，但最终还是能够生成有用的结果。然而，这个结果可能不是最优的。
解决此问题最常用的方法就是独热编码（one-hot encoding）技术。这种方法的理念就是创建一个新的虚拟特征（dummy feature），虚拟特征的每一列各代表标称数据的一个值。在此，我们将color特征转换为三个新的特征：blue、green以及red。此时可以使用二进制值来标识样本的颜色。例如，蓝色样本可以标识为：blue＝1，green＝0，以及red＝0。此编码转换操作可以使用scikit-learn.proprocessing模块中的OneHotEncoder来实现：
当我们初始化OneHotEncoder对象时，需要通过categorical_features参数来选定我们要转换的特征所在的位置（如color是特征矩阵X的第1列）。默认情况下，当我们调用OneHotEncoder的transform方法时，它会返回一个稀疏矩阵。出于可视化的考虑，我们可以通过toarray方法将其转换为一个常规的NumPy数组。稀疏矩阵是存储大型数据集的一个有效方法，被许多scikit-learn函数所支持，特别是在数据包含很多零值时非常有用。为了略过toarry的使用步骤，我们也可以通过在初始化阶段使用OneHotEncoder（…,sparse＝False）来返回一个常规的Numpy数组。
另外，我们可以通过pandas中的get_dummies方法，更加方便地实现独热编码技术中的虚拟特征。当应用于DataFrame数据时，get_dummies方法只对字符串列进行转换，而其他的列保持不变。