看代码，fit代表将传入的数组训练，transform代表转换

fit_transform代表将传入的数组训练并转换返回

enc = OneHotEncoder()
enc.fit([[0,0,3],[1,1,0],[0,2,1],[1,0,2]])
array = enc.transform([[0,1,3],[1,1,1]])
print(array)

# 输出
#  (0, 0)    1.0
#  (0, 3)    1.0
#  (0, 8)    1.0
#  (1, 1)    1.0
#  (1, 3)    1.0
#  (1, 6)    1.0

假设我们有[0,1,3]转换后为

(0, 0)    1.0
(0, 3)    1.0
(0, 8)    1.0

代表 0,0位置是值是1，0,3位置是1，0,8位置是1，其他位置均为0.这是稀疏类型

array = enc.transform([[0,1,3]]).toarray()
print(array)

#输出 [[1. 0. 0. 1. 0. 0. 0. 0. 1.]]

当我们将稀疏类型.toarray()之后，就是稠密类型，即使所在位置是0也会被表示，而不是仅表示有值部分。

下面更好理解为什么转换之后是 [1. 0. 0. 1. 0. 0. 0. 0. 1.]

性别特征：["男","女"]，按照N位状态寄存器来对N个状态进行编码的原理，咱们处理后应该是这样的（这里只有两个特征，所以N=2）：

男 => 10

女 => 01

祖国特征：["中国"，"美国，"法国"]（这里N=3）：

中国 => 100

美国 => 010

法国 => 001

运动特征：["足球"，"篮球"，"羽毛球"，"乒乓球"]（这里N=4）：

足球 => 1000

篮球 => 0100

羽毛球 => 0010

乒乓球 => 0001

所以，当一个样本为["男","中国","乒乓球"]的时候，完整的特征数字化的结果为：

[1，0，1，0，0，0，0，0，1]

引用：https://blog.csdn.net/zyc88888/article/details/103819604