通常需要处理的数值都是稀疏而又散乱地分布在空间中，然而，我们并不需要存储这些大数值，这时可以用独热编码。
例如：我们需要处理4维向量空间，当给一个特征向量的第n个特征进行编码时，编码器会遍历每个特征向量的第n个特征，然后进行非重复计数。若第n个特征的最大值为K，则就把这个特征转换为只有一个值为1而其他值都是0的K+1维向量。
encoder=OneHotEncoder(sparse=False) 注：这里sparse是一个布尔值，指定结果是否稀疏。若sparse=True，则每个样本的独热码为一个稀疏矩阵（机器学习中稀疏矩阵的处理方式和Python实现）
每个样本（5个特征）经过独热码编码后转化成26个特征（6+5+4+5+6=26）
第一个原始特征最大值为5，因此第一个原始特征取值种类为6种（0,1,2,3,4,5），则原始数据用一个六源元组来编码
如：0编码为（1,0,0,0,0,0）
encoder.active_features_给出了**特征
（1）第一个原始特征没有出现数值为0,2,4，因此转化后的26个特征中，对应编码的特征未**（转化后的特征下标为0,2,4）
（2）第一个原始特征没有出现数值为0，因此转化后的26个特征中，对应编码的特征未**（转化后的特征下标为6）
（3）第一个原始特征没有出现数值为0,2，因此转化后的26个特征中，对应编码的特征未**（转化后的特征下标为11,13）
（4）第一个原始特征没有出现数值为0，因此转化后的26个特征中，对应编码的特征未**（转化后的特征下标为15）
（5）第一个原始特征没有出现数值为0,2,4，因此转化后的26个特征中，对应编码的特征未**（转化后的特征下标为20,22,24）
因此**特征数组为[1 3 5 7 8 9 10 12 14 16 17 18 19 21 23 25] 注：未**特征在所有样本上的取值为0
encoder.feature_indices_给出了每个原始特征在转换后特征的起始区间：
（1）第一个原始特征在转换后特征的区间[0,6)
（2）第二个原始特征在转换后特征的区间[6,11)
（1）第三个原始特征在转换后特征的区间[11,15)
（1）第四个原始特征在转换后特征的区间[15,20)
（1）第五个原始特征在转换后特征的区间[20,26)
n_values_给出了每个原始属性的取值的种类：6,5,4,5,6 注：n_values是一个数组，存放每个属性取值的种类，一般为训练数据中该属性取值的最大值加1，因为默认每个属性取值从0开始
样本[1,2,3,4,5]经过独热编码之后的值为[1 0 0 0 1 0 0 0 1 0 0 0 1 0 0 1]。这里本该26位编码，但是考虑到剔除未**特征，只给出了**特征，因此这里只有16位编码。