OneHotEncoder怎样区分低频类别与未知类别：先分组，再决定删列

在OneHotEncoder文档中，infrequent与unknown出现在相邻参数里，却指向不同来源的类别。scikit-learn 1.9.1的定义从输入开始：整数或字符串表示离散特征的取值，独热编码为每个类别建立二进制列，结果可以是稀疏矩阵或稠密数组。默认情况下，编码器按每个特征见过的唯一值取得类别。[1]

因此，低频类别仍是已有类别中的成员，只是在频数规则下被归到一组；未知类别则是在转换时出现、需要由handle_unknown决定如何表达的取值。API的categories_列出拟合时确定的类别，infrequent_categories_则列出各特征里的低频类别。两套属性提供不同集合的记录，不能把低频列表直接转述成全部未知输入的名单。

min_frequency的两种类型具有不同口径。整数表示数量门槛，某类别的样本数低于它时视作低频；浮点数则按该值与样本总数的乘积比较。这里说明的是参数的类型含义，没有为项目推荐一个门槛。max_categories回答另一个问题：每个输入特征最多输出多少列；存在低频类别时，这个上限把代表低频组的那一列也计在内，而不是只限制常见类别后再额外加一列。

低频类别可以合并为一组，但分组与删列不是同时按原始类别独立发生。文档明确把drop安排在分组之后。drop_idx_记录每个特征要删除的类别在categories_中的位置；若它对应一个低频类别，删除的是整个低频组。这项顺序有直接的读表用途：解释一份输出列清单时，必须知道被删除的对象是否已经代表多个原始类别，不能只按一个类别名称描述其范围。

未知类别的error策略会在转换时抛出错误；ignore则把该特征对应的独热编码列全部表示为零。逆向转换时，这个未知类别用None表示。这里的全零限定在相应特征的列，不能扩大为整条样本的所有特征都被改成零；None也保留为文档说明的逆向结果，而不是另猜原来的类别名称。

infrequent_if_exist带有一个关键条件：低频组确实存在时，未知类别才映射到该组，位置在编码的最后；逆向转换将其表示为infrequent。若没有低频组，转换和逆向转换都按ignore处理。这个分支说明，策略名称含有低频，并不足以证明每个输入特征都有可接纳未知值的低频列，还要看该特征是否形成过这样的组。

warn并非另造第五种类别集合。文档说它先发出警告，随后按infrequent_if_exist继续编码。于是，警告属于处理过程的信息，而后续类别表达仍取决于低频组是否存在。版本注记将warn标为1.6新增，不能拿这一实现版本号当作当前网页首次发布日期。

对AI开发资料的整理，这些规则把类别清单、低频分组、输出列数量、分组后删列和未知输入表达连在一起，解释的是编码对象如何变化。本篇限于实际读取的1.9.1接口定义，没有执行编码、训练模型或选择业务阈值；这也与分类结果的混淆矩阵、AP评分是不同问题。

资料：[1] https://scikit-learn.org/stable/modules/generated/sklearn.preprocessing.OneHotEncoder.html