下面是一个使用Sklearn的LabelEncoder进行编码的示例代码：

from sklearn.preprocessing import LabelEncoder

# 创建一个示例数据框
data = {'color': ['红', '绿', '蓝', '红', '绿']}
df = pd.DataFrame(data)

# 创建LabelEncoder对象
le = LabelEncoder()

# 保留编码的值
df['color_encoded'] = le.fit_transform(df['color'])

# 对新数据框进行编码
new_data = {'color': ['红', '绿', '黄']}
new_df = pd.DataFrame(new_data)
new_df['color_encoded'] = le.transform(new_df['color'])

print(df)
print(new_df)

这段代码首先导入了LabelEncoder类，然后创建了一个示例数据框df，其中有一个名为color的列，包含了一些颜色值。接下来创建了一个LabelEncoder对象le。

通过调用fit_transform方法，LabelEncoder会根据color列中的唯一值创建编码，并将编码后的值赋给color_encoded列。这样就保留了编码的值。

然后，创建了一个新的数据框new_df，其中包含了一些新的颜色值。通过调用transform方法，LabelEncoder会根据之前的编码将新数据框的color列进行编码，并将编码后的值赋给color_encoded列。

最后，打印出df和new_df，可以看到编码后的结果。