首先声明的是，LabelEncoder只适合用于目标变量的编码，不适合作为X的编码。
参见官方文档：
Encode target labels with value between 0 and n_classes-1.
This transformer should be used to encode target values, *i.e.* `y`, and not the input `X`.
可能使用的场景是X为有序的变量时候，比如分数，在进行编码的时候，可以自定义权重数值映射之后，可以使用from sklearn.preprocessing import OrdinalEncoder进行有序编码，或者自定义权重字典进行映射。
如果是想进行无序的类别编码，建议使用onehot或者是pd.get_dummy，或者是先labelEncoder然后进行onehot编码。
以下操作是基于变量有序的场景进行使用。
以下场景存在的问题，OneHotEncoder也同样适用。
一、对多列数据进行转换时候
在进行模型训练的时候会对数据进行统一的预处理，但是在生产部署的时候，模型需要数据按照数据清洗的流程进行转化，
但是此时就会遇到一个问题，一列值进行LabelEncoder的时候，需要进行fit_transform一次，多列不就意味着需要多个LabelEncoder .
也就是说，必须要把这些LabelEncoder进行保存，然后在生产调用过程中，加载这些LabelEncoder进行逐列的处理。
这种形式确实有一定的弊端，那就是需要保存多个LabelEncoder模型
那该如何进行权衡呢？
首先数据应该进行批量的ETL处理，进入到模型的数据尽量保证数据的规范性，控制，异常值，都进行处理好，或者是已经进行LabelEncoder处理
如果说在数据拿到之后没办法直接用于模型，或者说进行了labelEncoder进行处理之后，模型评估指标能够有效的提升，那么这时候，LabelEncoder就必须自己来处理了
也就意味着，数据的第二轮清洗必须在进入模型之前完成。
二、当生产数据列的取值与训练数据不一致的情况：
此时采用encoder进行transforme会出错的，这里提供一下兼容代码:
# le_models 是存放着列名和label_encoder元组的数组
for col,le in le_models :
print("processing col:",col)
# 先进行填充，防止原来的数据为空 ，但是训练的数据不为空
if(len(df[col].value_counts())==0) :
continue;
df[col] = df[col].fillna(df[col].value_counts().index[0])
# 遍历列的取值，如果列的取值不再le的class_中的时候进行众数填充
for idx in df[col].value_counts().index:
if idx not in le.classes_:
print("idx:",idx)
# 如果当前列的取值不在之前的列表中，name采用频率最高的进行填充
df.loc[df[col]==idx,col] = df[col].value_counts().index[0]
df[col] = le.transform(df[col].astype(str))
df[feat_cols] = df[feat_cols].fillna(-999)
流程大概是：
数据采集
->数仓清洗完成
->EDA&数据预处理
->保存每一列对应的LabelEncoder模型
->模型训练，评估，保存机器学习模型
->生产中加载LabelEncoder模型，分别处理对应列的数据，如果遇到没有出现过的取值，则用上述代码进行替换
->加载机器学习模型
->进行模型pred
