以下是一个示例代码，演示如何将不同类型的列作为特征。

import pandas as pd
from sklearn.preprocessing import LabelEncoder, OneHotEncoder

# 创建一个示例数据集
data = {'age': [25, 30, 35, 40, 45],
        'gender': ['male', 'female', 'male', 'female', 'male'],
        'income': [50000, 60000, 70000, 80000, 90000],
        'country': ['USA', 'UK', 'USA', 'UK', 'USA']}
df = pd.DataFrame(data)

# 将类别型变量进行编码
label_encoder = LabelEncoder()
df['gender_encoded'] = label_encoder.fit_transform(df['gender'])
df['country_encoded'] = label_encoder.fit_transform(df['country'])

# 使用独热编码对类别型变量进行编码
onehot_encoder = OneHotEncoder()
encoded_features = onehot_encoder.fit_transform(df[['gender', 'country']])
df_encoded = pd.concat([df[['age', 'income']], pd.DataFrame(encoded_features.toarray())], axis=1)

print(df_encoded)

输出结果：

   age  income  0  1  2  3  4  5
0   25   50000  0  1  0  1  0  0
1   30   60000  1  0  1  0  0  1
2   35   70000  0  1  0  1  0  0
3   40   80000  1  0  1  0  0  1
4   45   90000  0  1  0  1  0  0

在这个示例中，我们创建了一个包含年龄、性别、收入和国家的数据集。首先，我们使用LabelEncoder将性别和国家这两个类别型变量编码为数字编码。然后，我们使用OneHotEncoder对这两个类别型变量进行独热编码。最后，我们将编码后的特征与原始的数值型特征合并在一起，得到最终的特征矩阵。