1. OneHotEncoder 做什么？
One-hot 编码把一个类别索引（例如 2）映射成一个向量：
- 类别集合大小为 N
- 输出向量长度为 N（或 N-1，取决于 dropLast）
- 只有对应类别的位置为 1，其余为 0
- Flink ML 输出一般是SparseVector（稀疏向量），更节省内存
举个例子：假设类别数 3（0/1/2）
- 输入 0 → [1,0,0]
- 输入 1 → [0,1,0]
- 输入 2 → [0,0,1]
如果dropLast=true（默认）：
- 只输出前 N-1 个维度，最后一个类别被“隐式表示”（全 0）
- 输入 2（最后类）→ [0,0]（长度为 2 的全 0 向量）
这叫“去掉冗余维度”，常用于线性模型防止共线性（dummy variable trap）。
2. 输入列与输出列
输入列（Input Columns）
| 参数名 | 类型 | 默认值 | 说明 |
|---|---|---|---|
inputCols | Integer | null | 类别索引列（可多列） |
输出列（Output Columns）
| 参数名 | 类型 | 默认值 | 说明 |
|---|---|---|---|
outputCols | Vector | null | one-hot 后的向量列（可多列） |
3. 参数（Parameters）详解
| Key | 默认值 | 必填 | 说明 |
|---|---|---|---|
inputCols | null | ✅ | 输入列名数组 |
outputCols | null | ✅ | 输出列名数组 |
handleInvalid | ERROR_INVALID | 否 | 遇到非法值如何处理：ERROR_INVALID/SKIP_INVALID |
dropLast | true | 否 | 是否丢弃最后一类（输出维度减少 1） |
3.1 dropLast 该怎么选？
dropLast=true（默认）：
更适合 LR 这类线性模型（避免多重共线性），也省一维dropLast=false：
适合你希望保留完整可解释 one-hot（比如下游做统计、可视化、或者某些非线性模型也无所谓）
3.2 handleInvalid 的工程意义
ERROR_INVALID：脏数据直接失败（更严格）SKIP_INVALID：跳过包含非法类别索引的行（更稳，线上更常见）
4. Java 示例代码解读（fit + transform）
你贴的示例非常标准：先用训练数据拟合出类别空间（决定 one-hot 维度），再对预测数据输出 one-hot 向量。
4.1 训练数据（决定类别数）
DataStream<Row>trainStream=env.fromElements(Row.of(0.0),Row.of(1.0),Row.of(2.0),Row.of(0.0));TabletrainTable=tEnv.fromDataStream(trainStream).as("input");训练集出现了 0/1/2 三个类别，所以类别数 N=3。
若 dropLast=true，输出维度 = 2；若 dropLast=false，输出维度 = 3。
4.2 预测数据（做编码）
DataStream<Row>predictStream=env.fromElements(Row.of(0.0),Row.of(1.0),Row.of(2.0));TablepredictTable=tEnv.fromDataStream(predictStream).as("input");4.3 创建 OneHotEncoder 并训练/预测
OneHotEncoderoneHotEncoder=newOneHotEncoder().setInputCols("input").setOutputCols("output");OneHotEncoderModelmodel=oneHotEncoder.fit(trainTable);TableoutputTable=model.transform(predictTable)[0];4.4 输出读取（SparseVector）
DoubleinputValue=(Double)row.getField(oneHotEncoder.getInputCols()[0]);SparseVectoroutputValue=(SparseVector)row.getField(oneHotEncoder.getOutputCols()[0]);System.out.printf("Input Value: %s\tOutput Value: %s\n",inputValue,outputValue);输出是 SparseVector，典型打印可能类似：
- input=0 → (size=2, indices=[0], values=[1.0])
- input=1 → (size=2, indices=[1], values=[1.0])
- input=2 → (size=2, indices=[], values=[]) （当 dropLast=true 时）
5. 实战用法：OneHotEncoder 常见组合链路
组合 1：Bucketizer → OneHotEncoder → LogisticRegression
连续特征先分桶再 one-hot，是 CTR/风控等场景的经典套路：
- Bucketizer 把连续数值映射到桶索引（离散）
- OneHotEncoder 把桶索引变成稀疏向量
- LR 用稀疏向量训练分类模型
组合 2：离散类别索引（LabelEncoder）→ OneHotEncoder
如果原始是字符串类别（比如 “Beijing”/“Shanghai”），通常流程是：
- 先用编码器把字符串映射成 index（0/1/2/…）
- 再 OneHotEncoder 变成向量
6. 注意事项（很容易踩坑）
1）训练集类别空间决定输出维度
预测时出现训练集中没见过的类别，如果 handleInvalid=ERROR_INVALID 可能会直接失败。线上更建议：
- 提前统一类别字典
- 或使用 SKIP_INVALID，并监控跳过比例
2）输入列类型要统一
文档说 inputCols 是 Integer，但示例用 Double（0.0/1.0/2.0）。
工程里建议你用 Integer/Long 更清晰，减少类型转换风险。
3）dropLast 的影响要明确
dropLast=true 时，最后一类会被编码成全 0 向量，这在调试/可解释性上容易误解（看起来像“缺失”），所以如果你更强调解释，可考虑 dropLast=false。
7. 小结
OneHotEncoder 是 Flink ML 特征工程里最常用的离散特征转换器之一：
- 输入：一个或多个类别索引列
- 输出：每列对应一个 one-hot 稀疏向量列
dropLast控制是否减少一个维度（默认 true）handleInvalid控制脏数据处理策略（线上建议更稳的策略）
