在某些情况下LabelEncoder或DictVectorizor有用的情况下，但由于顺序性，我认为这些情况非常有限。

LabelEncoder可以[dog,cat,dog,mouse,cat]变成[1,2,1,3,2]，但是强加的序数意味着狗和老鼠的平均值是猫。仍然有诸如决策树和随机森林之类的算法可以很好地处理分类变量，并且LabelEncoder可以使用更少的磁盘空间来存储值。

One-Hot-Encoding 的优点是结果是二进制而不是序数，并且所有内容都位于正交向量空间中。缺点是对于高基数，特征空间真的会很快爆炸，你开始与维度的诅咒作斗争。在这些情况下，我通常使用 one-hot-encoding 和 PCA 进行降维。我发现 one-hot 加 PCA 的明智组合很少能被其他编码方案击败。PCA 发现线性重叠，因此自然会倾向于将相似的特征分组为相同的特征。

虽然AN6U5给出了非常好的答案，但我想补充几点以供将来参考。在考虑One Hot Encoding (OHE) 和Label Encoding时，我们必须尝试并了解您要构建的模型。即我们将考虑的两类模型是：

1. 基于树的模型：梯度提升决策树和随机森林。
2. 基于非树的模型：基于线性、kNN 或神经网络。

让我们考虑在构建基于树的模型时何时应用 OHE 以及何时应用标签编码。

我们在以下情况下应用 OHE：

1. 当标签编码中彼此接近的值对应于不接近的目标值时（非线性数据）。
2. 当分类特征不是序数时（狗、猫、老鼠）。

我们在以下情况下应用标签编码：

1. 分类特征是有序的（Jr. kg、Sr. kg、小学、高中等）。
2. 当我们可以提出一个标签编码器，将接近的标签分配给相似的类别时：这会减少树的分裂，从而减少执行时间。
3. 当数据集中的分类特征数量巨大时：One-hot 编码具有大量值的分类特征会导致 (1) 高内存消耗和 (2) 模型很少使用非分类特征的情况。如果您使用稀疏矩阵，则可以处理第一种情况。如果您仅使用特征子集构建树，则可能会出现第二种情况。例如，如果您有 9 个数字特征和 1 个具有 100 个唯一值的分类特征，并且您对该分类特征进行一次热编码，您将获得 109 个特征。如果只使用特征子集构建树，则很少使用最初的 9 个数字特征。在这种情况下，您可以增加该子集的参数控制大小。在 xgboost 中，它在 sklearn 的随机森林 max_features 中称为 colsample_bytree。

如果您想按照@AN6U5 的建议继续使用 OHE，您可能希望将 PCA 与 OHE 结合使用。

让我们考虑在构建非基于树的模型时何时应用 OHE 和标签编码。

要应用标签编码，特​​征和目标之间的依赖关系必须是线性的，才能有效地利用标签编码。

同样，如果依赖性是非线性的，您可能希望使用 OHE。

注意：部分解释参考了 Coursera的 How to Win a Data Science Competition。

LabelEncoder用于序数数据，而 OHE 用于名义数据。

您还可以使用频率编码，在其中将值映射到它们的频率

示例取自如何从 Coursera 赢得数据科学竞赛，例如。对于泰坦尼克数据集：

   encoding = titanic.groupby('Embarked').size()
   encoding = encoding/len(titanic)   // calculates frequency
   titanic['enc'] = titanic.embarked.map('Encoding')

这将保留有关值分布的信息，并将有助于线性和基于树的模型。确保您没有多个具有相同频率的类别，您可以使用排名操作或任何其他相关操作。