一种热编码意味着您创建一和零的向量。所以顺序无关紧要。在sklearn中，首先您需要将分类数据编码为数值数据，然后将它们提供给OneHotEncoder，例如：
from sklearn.preprocessing import LabelEncoder
from sklearn.preprocessing import OneHotEncoder
S = np.array(['b','a','c'])
le = LabelEncoder()
S = le.fit_transform(S)
print(S)
ohe = OneHotEncoder()
one_hot = ohe.fit_transform(S.reshape(-1,1)).toarray()
print(one_hot)
这导致：
[1 0 2]
[[ 0. 1. 0.]
[ 1. 0. 0.]
[ 0. 0. 1.]]
但是pandas直接转换分类数据：
import pandas as pd
S = pd.Series( {'A': ['b', 'a', 'c']})
print(S)
one_hot = pd.get_dummies(S['A'])
print(one_hot)
输出：
A [b, a, c]
dtype: object
a b c
0 0 1 0
1 1 0 0
2 0 0 1
正如您在映射过程中看到的那样，为每个分类特征创建了一个向量。向量的元素在分类特征的位置为 1，在其他位置为 0。这是一个系列中只有两个分类特征的示例：
S = pd.Series( {'A': ['a', 'a', 'c']})
print(S)
one_hot = pd.get_dummies(S['A'])
print(one_hot)
结果是：
A [a, a, c]
dtype: object
a c
0 1 0
1 1 0
2 0 1
编辑以回答新问题
让我们从这个问题开始：为什么我们要执行一次热编码？如果您将 ['a','b','c'] 之类的分类数据编码为整数 [1,2,3]（例如使用 LableEncoder），除了对分类数据进行编码之外，您还可以给它们一些权重1 < 2 < 3。这种编码方式适用于一些机器学习技术，如 RandomForest。但是许多机器学习技术会假设在这种情况下，如果你分别用 1、2、3 对它们进行编码，则 'a' < 'b' < 'c'。为了避免此问题，您可以为数据中的每个唯一分类变量创建一列。换句话说，您为每个分类变量创建一个新特征（此处为“a”一列，“b”一列，“c”一列）。
对于您示例中的数组，一个热门编码器将是：
features -> A B C D
[[ 1. 0. 0. 0.]
[ 0. 1. 0. 0.]
[ 0. 0. 1. 0.]
[ 0. 0. 0. 1.]]
您有 4 个分类变量“A”、“B”、“C”、“D”。因此，OneHotEncoder 会将您的 (4,) 数组填充到 (4,4) 以便为每个分类变量（这将是您的新功能）提供一个向量（或列）。由于“A”是数组的 0 元素，因此第一列的索引 0 设置为 1，其余设置为 0。类似地，第二个向量（列）属于特征“B”，因为“B”是在数组的索引 1 中，“B”向量的索引 1 设置为 1，其余设置为零。这同样适用于其他功能。
让我改变你的阵列。也许它可以帮助您更好地了解标签编码器的工作原理：
S = np.array(['D', 'B','C','A'])
S = le.fit_transform(S)
enc = OneHotEncoder()
encModel = enc.fit_transform(S.reshape(-1,1)).toarray()
print(encModel)
现在结果如下。这里第一列是“A”，因为它是数组的最后一个元素（索引 = 3），所以第一列的最后一个元素是 1。
features -> A B C D
[[ 0. 0. 0. 1.]
[ 0. 1. 0. 0.]
[ 0. 0. 1. 0.]
[ 1. 0. 0. 0.]]
关于您的 pandas 数据框，dataFeat即使在关于如何工作的第一步中，您也错了LableEncoder。当您将LableEncoder它应用到当时的每一列并对其进行编码时；然后，它转到下一列并重新适应该列。这是你应该得到的：
from sklearn.preprocessing import LabelEncoder
df = pd.DataFrame({'Feat1': ['A','B','D','C'],'Feat2':['B','B','D','C'],'Feat3':['A','C','A','A'],
'Feat4':['A','C','A','A'],'Feat5':['A','C','B','A']})
print('my data frame:')
print(df)
le = LabelEncoder()
intIndexed = df.apply(le.fit_transform)
print('Encoded data frame')
print(intIndexed)
结果：
my data frame:
Feat1 Feat2 Feat3 Feat4 Feat5
0 A B A A A
1 B B C C C
2 D D A A B
3 C C A A A
Encoded data frame
Feat1 Feat2 Feat3 Feat4 Feat5
0 0 0 0 0 0
1 1 0 1 1 2
2 3 2 0 0 1
3 2 1 0 0 0
请注意，在第一列中，Feat1“A”被编码为 0，但在第二列Feat2中，“B”元素为 0。发生这种情况是因为LableEncoder适合每一列并分别对其进行转换。请注意，在（'B'，'C'，'D'）之间的第二列中，变量'B'按字母顺序排列。
最后，这是您正在寻找的内容sklearn：
from sklearn.preprocessing import LabelEncoder
from sklearn.preprocessing import OneHotEncoder
encoder = OneHotEncoder()
label_encoder = LabelEncoder()
data_lable_encoded = df.apply(label_encoder.fit_transform).as_matrix()
data_feature_onehot = encoder.fit_transform(data_lable_encoded).toarray()
print(data_feature_onehot)
这给了你：
[[ 1. 0. 0. 0. 1. 0. 0. 1. 0. 1. 0. 1. 0. 0.]
[ 0. 1. 0. 0. 1. 0. 0. 0. 1. 0. 1. 0. 0. 1.]
[ 0. 0. 0. 1. 0. 0. 1. 1. 0. 1. 0. 0. 1. 0.]
[ 0. 0. 1. 0. 0. 1. 0. 1. 0. 1. 0. 1. 0. 0.]]
如果你使用pandas，你可以比较结果，希望能给你一个更好的直觉：
encoded = pd.get_dummies(df)
print(encoded)
结果：
Feat1_A Feat1_B Feat1_C Feat1_D Feat2_B Feat2_C Feat2_D Feat3_A \
0 1 0 0 0 1 0 0 1
1 0 1 0 0 1 0 0 0
2 0 0 0 1 0 0 1 1
3 0 0 1 0 0 1 0 1
Feat3_C Feat4_A Feat4_C Feat5_A Feat5_B Feat5_C
0 0 1 0 1 0 0
1 1 0 1 0 0 1
2 0 1 0 0 1 0
3 0 1 0 1 0 0
这是完全一样的！