这是一个老问题。我很惊讶我没有看到任何人提到平均编码（又名目标编码）。它在监督学习问题中非常流行。此外，我看到人们使用频率或频率的cdf（以避免重尾pdf产生的噪音），他们使用lightGBM取得了不错的效果。但是，我无法真正解释为什么它会严格工作。

One-hot-encoded 邮政编码不应该对现代工具造成问题，其中功能可以更广泛（数百万，甚至数十亿），但如果您真的需要，您可以将区域代码聚合到区域中，例如州。当然，您不应该使用字符串，而应该使用位向量。另外两个降维选项是MCA（分类变量的 PCA）和随机投影。

您可以使用评论中提到的嵌入。例如，一般博客文章，可用于学习嵌入的嵌入层的 Keras 文档。当您需要减少特征数量并且它也适用于一个分类特征时，这被深度学习模型广泛使用。