1. 为什么 categorical 变量必须编码——从“红”和“蓝”的数学困境说起你手头有一份电商用户数据其中一列叫product_color值是red、blue、green另一列是user_region值是north、south、east、west。你信心满满地把这组数据喂给一个线性回归模型想预测用户下单金额。结果模型报错ValueError: could not convert string to float。这不是 bug是根本性的数学冲突。机器学习模型——无论是线性回归、逻辑回归、随机森林还是深度神经网络——其底层全是数字运算加法、乘法、求导、矩阵分解。它们不认识red这个词就像计算器不认识“苹果”这个词一样。你不能对red blue做运算也不能计算north的平方根。所以编码Encoding不是锦上添花的预处理步骤而是让模型能“看懂”你数据的第一道生死门。它本质上是在做一件翻译工作把人类语言描述的类别翻译成数学语言能理解的数字坐标。但这里有个巨大陷阱很多人以为“只要转成数字就行”于是随手用0, 1, 2给red,blue,green编号。问题来了——这个编号隐含了数学关系1 - 0 12 - 1 1意味着blue和red的差距等于green和blue的差距。可现实中颜色之间哪有什么等距关系red和pink可能更近blue和cyan更近但你的0-1-2编码完全抹杀了这种潜在语义。模型会误以为green是red的两倍“绿”这显然荒谬。这就是为什么我们不能随便编个号就完事。编码方法的选择本质上是在回答一个问题你想让模型从这个类别中提取哪一类信息是纯粹的区分标识是出现频率暗示的价值还是它与目标变量之间的统计关联比如在预测用户是否会退货时user_region的north出现频率高可能说明北方用户退货率普遍偏高而product_color的red如果在训练集里对应着极高的退货率那它本身就携带了强信号。编码就是把这类业务洞察安全、无损、可复现地注入到数字特征里的过程。我做过上百个真实项目凡是跳过这一步、或草率选择编码方式的后续模型效果几乎都卡在瓶颈期调参再久也难突破。它不像模型选型那么炫酷却是决定你能否真正落地的“地基工程”。2. 四大核心编码方法深度拆解原理、适用场景与致命缺陷2.1 Label Encoding最危险的“捷径”Label Encoding 的操作极其简单遍历一列所有唯一值按字母顺序或出现顺序挨个赋一个整数标签。apple→0banana→1cherry→2。代码一行就能搞定from sklearn.preprocessing import LabelEncoder le LabelEncoder() df[fruit_encoded] le.fit_transform(df[fruit])看起来干净利落但它背后藏着一个被严重低估的风险人为引入序数关系Ordinal Relationship。模型会把0, 1, 2当作一个连续刻度来处理。在线性模型里它会认为cherry的影响是apple的两倍在树模型里它会把cherry banana apple当作一个天然的分割逻辑。这在绝大多数分类变量上都是错误的。我曾在一个物流时效预测项目中对delivery_statuson_time,delayed,cancelled直接用了 Label Encoding。模型很快收敛但 SHAP 解释显示cancelled被编为2的贡献值异常高远超业务直觉。排查后发现模型把2当作了“严重程度”的量化而实际上这三个状态是互斥的平行选项没有轻重之分。最终我们改用 One-Hot模型解释性立刻清晰业务方也终于能看懂模型在“看”什么。Label Encoding 真正安全的使用场景其实非常狭窄仅当该变量本身就是一个天然的有序类别Ordinal Variable时。比如教育程度high_school,bachelor,master,phd或者产品评级poor,fair,good,excellent。这些值之间确实存在公认的、可量化的递进关系。此时Label Encoding 不仅合理而且高效因为它保留了这种序数信息而 One-Hot 会把它打散成四个孤立的布尔特征反而丢失了“phd比bachelor更高阶”这一关键业务逻辑。所以判断一个变量是否适合 Label Encoding第一步永远不是看代码多简单而是问自己如果我把这些词按字典序排这个顺序在业务上是否有意义2.2 One-Hot Encoding最常用也最容易“撑爆”内存One-Hot Encoding 的思想朴素而有力为每个类别创建一个独立的二进制0/1特征列。red变成[1, 0, 0]blue变成[0, 1, 0]green变成[0, 0, 1]。它彻底消除了序数陷阱每个新特征都只表达一个纯粹的“是/否”信息。这也是它成为默认首选的原因——安全、直观、模型友好。但它的阿喀琉斯之踵是维度爆炸Curse of Dimensionality。假设你有一个user_id列有 50 万个唯一用户。One-Hot 后你会凭空多出 50 万列这不仅让内存占用飙升一个稀疏矩阵可能瞬间吃掉几十G RAM更会让模型训练变得极其缓慢甚至无法收敛。我处理过一个电信用户流失预测项目原始数据有 800 万行其中cell_tower_id有 12 万个基站。直接 One-Hot特征矩阵维度从 30 列暴涨到 12 万列XGBoost 训练时间从 2 分钟变成 47 小时且效果反而下降——因为模型在海量噪声特征中迷失了真正的信号。因此One-Hot 的核心使用原则是只对低基数Low Cardinality的类别变量使用。什么是低基数业内一个经验法则是唯一值数量 10 个可以放心用10-50 个需谨慎评估 50 个基本应放弃 One-Hot转向其他方法。另一个常被忽略的关键点是Dummy Variable Trap虚拟变量陷阱。回到color的例子red→[1, 0]blue→[0, 1]。这两列是线性相关的因为col_red col_blue 1恒成立。在包含截距项bias term的线性模型中这会导致设计矩阵Design Matrix秩亏rank-deficient使得参数估计不稳定标准误失真。解决方案很简单在 One-Hot 后主动丢弃其中一列通常丢弃第一个或最后一个。pandas.get_dummies()默认drop_firstTrue就是为此。但注意这个“丢弃”只对线性模型必要对于树模型如 Random Forest保留全部列反而可能提升性能因为树可以自由组合任意特征进行分割不需要担心线性相关性。2.3 Frequency Encoding用“人气”代替“名字”Frequency Encoding 走的是另一条路它不关心类别叫什么只关心它“有多常见”。具体做法是用该类别在整个数据集中出现的频次或频率来替换原始值。red在 1000 条记录中出现了 300 次频率就是0.3blue出现了 500 次频率就是0.5。这种方法的精妙之处在于它巧妙地将一个业务先验知识编码进了特征高频类别往往蕴含着更强的泛化能力或更稳定的模式。在用户行为分析中一个高频出现的page_type如homepage的行为模式通常比一个只出现几次的冷门页面如error_404更具统计意义和预测价值。Frequency Encoding 自动赋予了前者更高的数值权重让模型在训练初期就倾向于关注这些“主流”信号。但它也有一个隐蔽的缺陷它完全忽略了类别与目标变量Target之间的关系。red频率高但如果它对应的用户购买率极低而green频率低但购买率奇高Frequency Encoding 就会把green的重要性严重低估。它只讲“人多”不讲“人有用”。我在一个电商推荐项目中就吃过这个亏。对product_category做 Frequency Encoding 后模型强烈偏好推荐那些销量巨大的“爆款”品类如phone却完全忽视了小众但高毛利、高复购的accessories类别。后来我们切换到 Target Encoding才让模型真正学会了“看人下菜碟”。此外Frequency Encoding 对数据分布极其敏感。如果你的训练集和测试集分布不一致Data Drift比如某个类别的频率在训练集是0.3在测试集变成了0.1那么编码后的数值就失去了可比性模型效果会断崖式下跌。因此它更适合用于分布相对稳定、且类别与目标无强相关性的场景比如作为 One-Hot 的降维替代方案或用于初步的 EDA 探索。2.4 Target EncodingMean Encoding最强大也最需要“防作弊”Target Encoding 是这四种方法中威力最大、也最需要小心驾驭的一种。它的核心思想直击要害用该类别在目标变量上的统计聚合值来代表这个类别。最常见的就是 Mean Target Encoding对每个类别计算它在训练集上对应的目标变量的均值并用这个均值来替换原始类别。举个具体例子。预测用户是否会点击广告二分类click 1 or 0有一个特征ad_position广告位置top_banner,sidebar,bottom_banner。在训练数据中top_banner出现了 1000 次其中点击了 200 次 → 点击率0.2sidebar出现了 800 次其中点击了 120 次 → 点击率0.15bottom_banner出现了 1200 次其中点击了 60 次 → 点击率0.05那么top_banner就被编码为0.2sidebar为0.15bottom_banner为0.05。你看这个数字不再是随意的 ID也不是模糊的频率而是直接告诉模型“在这个位置投广告用户平均有 X% 的概率会点”。这是一种信息密度极高的编码它把整个类别的历史表现浓缩成了一个数字。它的优势是压倒性的零维度膨胀、信息高度浓缩、与目标强关联、天然支持高基数变量。一个有 10 万个user_id的数据集Target Encoding 后还是只有 1 列而不是 10 万列。而且这个单列承载的是最核心的业务指标。但它的致命弱点是数据泄露Data Leakage。上面的例子有个关键前提计算均值时必须严格使用训练集内部的数据。如果你用整个数据集包括未来要预测的测试样本来计算均值然后把这个均值应用到训练集上模型就“偷看”了答案效果会虚高在真实线上环境必然崩盘。更隐蔽的问题是小样本偏差Small Sample Bias。如果bottom_banner只出现了 5 次其中 1 次点击均值就是0.2但这0.2完全不可靠是个噪音。模型会把它当作一个真实的强信号来学习导致过拟合。因此Target Encoding 必须搭配两个“安全阀”平滑Smoothing用一个全局均值overall_mean和一个类别均值category_mean进行加权平均。公式通常是smoothed_mean (category_sum overall_mean * alpha) / (category_count alpha)。alpha是一个超参数值越大越向全局均值靠拢越稳健值越小越贴近真实类别均值越灵敏。alpha10是一个常用的起点。交叉验证CV或留一法Leave-One-Out在计算某个样本的编码值时排除它自身只用训练集中其他所有样本来计算该类别的均值。category_encoders库中的LeaveOneOutEncoder就是为此而生。我处理过一个金融风控项目对employment_type就业类型做 Target Encoding。原始有 15 个类别其中freelancer只有 23 条记录。直接算均值是0.87违约率但平滑后变成0.42更符合整体人群的违约水平。上线后模型对自由职业者的风险评估准确率提升了 12%而没有平滑的版本在第一批新用户中就出现了大量误拒。3. 实操全流程从数据诊断到编码落地的完整链路3.1 第一步数据诊断——不做“盲人摸象”在敲下任何一行.fit_transform()之前你必须完成一份详尽的“类别变量体检报告”。这一步耗时但能避免 90% 的后续返工。我习惯用一个自定义函数快速扫描def inspect_categoricals(df, target_colNone): 对DataFrame中所有object类型列进行深度诊断 cat_cols df.select_dtypes(include[object]).columns.tolist() report [] for col in cat_cols: n_unique df[col].nunique() n_total len(df) top_3 df[col].value_counts().head(3).to_dict() # 计算基尼不纯度衡量类别分布均衡性 gini 1 - sum((count/n_total)**2 for count in df[col].value_counts()) # 如果指定了target计算每个类别在target上的均值用于Target Encoding可行性评估 if target_col and target_col in df.columns: try: target_stats df.groupby(col)[target_col].agg([mean, count]).round(3) # 找出count 10 的类别标记为高风险 risky_cats target_stats[target_stats[count] 10].index.tolist() except: target_stats, risky_cats None, [] else: target_stats, risky_cats None, [] report.append({ column: col, n_unique: n_unique, cardinality_ratio: round(n_unique/n_total, 4), top_3_values: top_3, gini_impurity: round(gini, 3), risky_categories: risky_cats, target_stats: target_stats }) return pd.DataFrame(report) # 使用示例 report_df inspect_categoricals(train_df, target_colis_churn) print(report_df[[column, n_unique, cardinality_ratio, gini_impurity, risky_categories]])这份报告会告诉你每列的关键信息n_unique和cardinality_ratio直接告诉你该列是低基数10、中基数10-50还是高基数50这是选择编码方法的硬性门槛。gini_impurity值越接近 1说明类别分布越均匀如 10 个类别各占 10%越接近 0说明分布越集中如一个类别占了 90%。分布极度不均的列其少数类别可能缺乏统计意义需要特殊处理如归并。risky_categories列出那些在目标变量上样本量极少10的类别。这些是 Target Encoding 的雷区要么需要平滑要么需要合并。有一次我扫描一个医疗数据集的diagnosis_code列发现它有 1200 个唯一值但cardinality_ratio高达0.98几乎每条记录都不同且gini_impurity是0.99。这立刻告诉我这不是一个常规的诊断代码很可能是医生手写的自由文本编码充满了拼写错误和同义词。强行 One-Hot 或 Target Encoding 都是灾难。最终我们先做了字符串相似度聚类用fuzzywuzzy把 1200 个乱码归并成了 87 个有意义的组再对这 87 个组进行 Target Encoding效果立竿见影。3.2 第二步方法选型决策树——一张表定乾坤基于诊断报告我总结了一张实战决策树它覆盖了 95% 的日常场景。这张表不是教科书理论而是我踩过坑、调过参、上线过的真实经验结晶特征属性推荐编码方法关键原因与实操要点我的避坑心得低基数10 无序如gender,payment_methodOne-Hot Encodingpandas.get_dummies(drop_firstTrue)安全、无歧义、模型兼容性最好。维度增加可控。 提示务必设置drop_firstTrue避免线性模型的虚拟变量陷阱。对于树模型可以设为False并观察 CV 效果。低基数10 有序如education_level,customer_tierLabel Encodingsklearn.preprocessing.OrdinalEncoder保留了天然的序数关系信息效率最高。 注意必须确保你的序数映射如[HS, BA, MA, PhD] - [0,1,2,3]与业务逻辑完全一致。不要用LabelEncoder自动排序手动定义categories参数。中基数10-50 目标相关性强如product_category,store_locationTarget Encoding with Smoothingcategory_encoders.TargetEncoder(smooth10)在控制维度的同时注入最强业务信号。平滑参数smooth10是通用起点。 提示在fit()时传入完整的X_train和y_train在transform()时只传入X_test。切记不要在transform()时传y_test否则就是数据泄露。高基数50 样本量充足如user_id,item_idHashing Encodingcategory_encoders.HashingEncoder(n_components16)将无限多的类别通过哈希函数映射到固定数量的维度如 16 维彻底解决维度爆炸。 注意哈希是“有损”压缩不同类别可能哈希到同一桶collision。n_components越大碰撞越少但维度越高。16或32是平衡点。它不依赖目标变量所以无需担心数据泄露。高基数50 样本量稀疏如search_query,error_logFrequency Encoding Top-K Filtering只保留前 50 个高频类别其余归为other先用频率筛选出真正有统计意义的类别再编码兼顾信息量与稳定性。 提示other类别在训练和测试中必须保持一致。即Top-K的阈值必须在训练集上确定并固化下来应用到测试集。这个决策树的核心逻辑是编码方法的选择永远是“业务目标”、“数据特性”和“工程约束”三者博弈的结果。没有银弹只有最适合当前场景的那一个。3.3 第三步使用category_encoders库实现端到端流程category_encoders是我十年来最信赖的编码工具库它完美封装了所有高级编码方法并原生支持 scikit-learn 的Pipeline让你的代码既健壮又优雅。下面是一个生产环境级别的完整示例import pandas as pd import numpy as np from sklearn.model_selection import train_test_split from sklearn.ensemble import RandomForestClassifier from sklearn.pipeline import Pipeline from sklearn.metrics import classification_report import category_encoders as ce # 1. 数据准备模拟 np.random.seed(42) train_df pd.DataFrame({ color: np.random.choice([red, blue, green], size10000), size: np.random.choice([S, M, L, XL], size10000), brand: np.random.choice([A, B, C, D, E, F, G, H], size10000), price: np.random.normal(100, 20, 10000), is_premium: np.random.choice([0, 1], size10000, p[0.7, 0.3]) }) # 构造一个强相关的目标变量 train_df[is_churn] ( (train_df[color] red) * 0.8 (train_df[size] S) * 0.6 (train_df[brand].isin([A, B])) * 0.4 np.random.normal(0, 0.1, 10000) ) 0.5 X train_df.drop(is_churn, axis1) y train_df[is_churn] X_train, X_test, y_train, y_test train_test_split(X, y, test_size0.2, random_state42) # 2. 构建编码器字典为不同列指定不同编码器 # 这是关键不是所有列都用同一种方法 encoder_dict { color: ce.OneHotEncoder(use_cat_namesTrue, drop_invariantTrue), # 低基数用One-Hot size: ce.OrdinalEncoder(mapping[{col: size, mapping: {S:0, M:1, L:2, XL:3}}]), # 有序手动映射 brand: ce.TargetEncoder(min_samples_leaf20, smoothing10) # 中基数用Target Encoding } # 3. 创建一个“智能”编码器能根据字典自动路由 class MultiColumnEncoder: def __init__(self, encoder_dict): self.encoder_dict encoder_dict self.fitted_encoders {} def fit(self, X, yNone): for col, encoder in self.encoder_dict.items(): if hasattr(encoder, fit): # 对于TargetEncoder需要y if hasattr(encoder, fit_transform): self.fitted_encoders[col] encoder.fit(X[[col]], y) else: self.fitted_encoders[col] encoder.fit(X[[col]]) return self def transform(self, X): X_out X.copy() for col, fitted_encoder in self.fitted_encoders.items(): if hasattr(fitted_encoder, transform): encoded fitted_encoder.transform(X[[col]]) # 删除原始列添加编码后的新列 X_out X_out.drop(columns[col]) X_out pd.concat([X_out, encoded], axis1) return X_out def fit_transform(self, X, yNone): self.fit(X, y) return self.transform(X) # 4. 将编码器集成到Pipeline中 preprocessor MultiColumnEncoder(encoder_dict) model RandomForestClassifier(n_estimators100, random_state42) pipeline Pipeline([ (encoder, preprocessor), (classifier, model) ]) # 5. 训练与评估 pipeline.fit(X_train, y_train) y_pred pipeline.predict(X_test) print(classification_report(y_test, y_pred)) # 6. 保存Pipeline以供线上部署关键 import joblib joblib.dump(pipeline, churn_prediction_pipeline.pkl) # 7. 线上推理示例 # loaded_pipeline joblib.load(churn_prediction_pipeline.pkl) # new_data pd.DataFrame({color: [blue], size: [M], brand: [C], price: [95], is_premium: [1]}) # prediction loaded_pipeline.predict(new_data)这段代码展示了工业级实践的几个精髓列级定制Column-wise Customizationcolor、size、brand三列根据其特性分别采用了 One-Hot、Ordinal 和 Target 三种编码而非一刀切。Pipeline 集成编码器和模型被无缝组装进Pipeline保证了训练和推理流程的一致性杜绝了“训练一套、预测一套”的经典错误。可部署性Deployability使用joblib保存整个 Pipeline线上服务只需加载一个文件即可完成从原始数据到预测结果的端到端转换。encoder的所有状态如 One-Hot 的列名、Target Encoder 的平滑均值都已固化在模型文件中。3.4 第四步编码后的特征质量评估——不只是看 AUC编码完成后绝不能只盯着模型的 AUC 或 Accuracy 就宣布胜利。你需要对编码本身的质量进行独立审计。我有三个必做的检查分布一致性检查Distribution Consistency Check# 检查编码后训练集和测试集的特征分布是否相似 import seaborn as sns import matplotlib.pyplot as plt # 假设 brand_target 是 brand 列 Target Encoding 后的列名 plt.figure(figsize(12, 4)) plt.subplot(1, 2, 1) sns.histplot(train_df[brand_target], kdeTrue, labelTrain) plt.title(Train Distribution) plt.subplot(1, 2, 2) sns.histplot(test_df[brand_target], kdeTrue, labelTest, colororange) plt.title(Test Distribution) plt.suptitle(Target Encoding Distribution Check) plt.show()如果两张图的形状、峰值位置、范围差异巨大说明编码过程尤其是 Target Encoding可能受到了数据漂移的影响需要重新审视平滑参数或数据切分逻辑。特征重要性归因Feature Importance Attribution# 获取Pipeline中训练好的RandomForest rf_model pipeline.named_steps[classifier] # 获取编码后所有特征的名称 feature_names pipeline.named_steps[encoder].transform(X_train).columns.tolist() # 计算并排序重要性 importances rf_model.feature_importances_ importance_df pd.DataFrame({feature: feature_names, importance: importances}).sort_values(importance, ascendingFalse) print(importance_df.head(10))观察最重要的前 10 个特征里有多少是来自编码后的类别特征。如果brand_target排在第 2而price排在第 5这强有力地证明了你的编码成功地提炼出了比原始数值特征更有价值的业务信号。SHAP 值解释SHAP Value Interpretationimport shap explainer shap.TreeExplainer(rf_model) shap_values explainer.shap_values(pipeline.named_steps[encoder].transform(X_test)) # 绘制一个样本的解释 shap.plots.waterfall(explainer.expected_value[1], shap_values[1][0], X_test.iloc[0])SHAP 图会清晰地告诉你对于某一个用户的预测brand_target0.35这个值是将预测概率向上推了0.12还是向下拉了-0.08。这是对编码效果最直观、最可信的验证——它告诉你模型真的“理解”了你赋予它的这个数字的含义。4. 高级技巧与避坑指南那些文档里不会写的实战经验4.1 处理未知类别Unknown Categories——线上服务的生命线线上服务最大的噩梦之一就是模型遇到了训练时从未见过的新类别。比如训练时color只有red,blue,green但线上突然来了一个purple。sklearn的OneHotEncoder默认会报错ValueError: Found unknown categories导致整个服务中断。解决方案不是简单地设置handle_unknownignore这会让所有未知类别都变成全零向量失去区分度而是采用带兜底的 Target Encoding# 自定义一个能优雅处理未知类别的TargetEncoder class RobustTargetEncoder: def __init__(self, smoothing10, default_value0.5): self.smoothing smoothing self.default_value default_value self.mapping {} self.global_mean None def fit(self, X, y): self.global_mean y.mean() for col in X.columns: # 计算每个类别的target均值和计数 stats y.groupby(X[col]).agg([mean, count]) # 应用平滑 smoothed (stats[mean] * stats[count] self.global_mean * self.smoothing) / (stats[count] self.smoothing) self.mapping[col] smoothed.to_dict() return self def transform(self, X): X_out X.copy() for col in X.columns: # 对于未知类别使用default_value X_out[col] X[col].map(self.mapping[col]).fillna(self.default_value) return X_out # 使用 robust_encoder RobustTargetEncoder(smoothing10, default_value0.5) robust_encoder.fit(X_train[[brand]], y_train) X_train_encoded robust_encoder.transform(X_train[[brand]]) X_test_encoded robust_encoder.transform(X_test[[brand]])这里default_value0.5是一个精心选择的值它代表了“中立”或“无信息”的状态既不强烈偏向churn1也不强烈偏向churn0。这比填0或1要稳健得多。我所有的线上模型都强制要求编码器具备这种“容错”能力这是保障 SLA服务等级协议的底线。4.2 时间序列中的编码陷阱——“未来信息”的幽灵在时间序列预测中Target Encoding 是一个深坑。假设你用date列来划分训练/测试2023-01-01到2023-12-31是训练2024-01-01到2024-12-31是测试。如果你对month列做 Target Encoding计算2023-01的均值时用了2023-01-01到2023-01-31的所有数据这看似没问题。但问题在于2023-01-31的目标值是模型在2023-01-31这一天才能“看到”的。而在实际预测2023-01-31时模型只能利用2023-01-30及之前的信息。所以正确的做法是在计算2023-01的均值时只能用2023-01-01到2023-01-30的数据把2023-01-31排除在外。这叫做“时间感知的 Target Encoding”Time-aware Target Encoding。category_encoders库的LeaveOneOutEncoder在时间序列中并不够用因为它只是排除了“当前样本”而不是排除了“当前时间点之后的所有样本”。我通常会自己写一个基于滚动窗口的编码器def time_aware_target_encode(df, time_col, group_col, target_col, window_days30): 对group_col进行时间感知的Target Encoding df_sorted df.sort_values(time_col).copy() # 创建一个时间戳索引便于滚动计算 df_sorted[time_idx] pd.to_datetime(df_sorted[time_col]) # 对每个group计算其在window_days窗口内的target均值 def rolling_mean(group): group group.sort_values(time_idx) # 使用expanding或rolling这里用rolling group[encoded] group[target_col].rolling( windowf{window_days}D, ontime_idx, min_periods1 ).mean().shift(1) # shift(1) 确保不使用未来信息 return group df_encoded df_sorted.groupby(group_col, group_keysFalse).apply(rolling_mean) return df_encoded[encoded].values这个函数确保了每一个编码值都只基于该时间点之前的、已知的历史数据计算得出彻底斩断了“未来信息”的幽灵。4.3 编码的可解释性与业务对齐——让老板也能看懂技术再牛如果业务方看不懂就无法落地。我坚持一个原则**所有编码后的特征其数值必须能被