你就快到了！
基本上是fit方法，准备编码器（适合您的数据，即准备Map），但不转换数据。
您必须调用transform来转换数据，或者使用fit_transform来拟合和转换相同的数据。

enc = OrdinalEncoder()
enc.fit(df[["Sex","Blood", "Study"]])
df[["Sex","Blood", "Study"]] = enc.transform(df[["Sex","Blood", "Study"]])

或直接

enc = OrdinalEncoder()
df[["Sex","Blood", "Study"]] = enc.fit_transform(df[["Sex","Blood", "Study"]])

注意：值不会是您提供的值，因为fit方法内部使用numpy.unique，它按照字母顺序而不是外观顺序对结果进行排序。
正如您在enc.categories_中所看到的

[array(['F', 'M'], dtype=object),
 array(['A', 'AB', 'B', 'O'], dtype=object),
 array(['Biology', 'English', 'Math', 'Science'], dtype=object)]```

数组中的每一个值都由它的位置编码。（F将被编码为0，M将被编码为1）

我认为有必要指出，这不是一个变量有序编码的例子。性别、血液和学习都不应该有有序尺度（也不是提出问题的人所建议的）。有序数据有一个排名（参见https://en.wikipedia.org/wiki/Ordinal_data）。
如果您的变量是目标变量，则可以使用LabelEncoder。（https://scikit-learn.org/stable/modules/generated/sklearn.preprocessing.LabelEncoder.html）
然后，您可以执行以下操作：

from sklearn.preprocessing import LabelEncoder

for col in ["Sex","Blood", "Study"]:
    df[col] = LabelEncoder().fit_transform(df[col])

如果你的变量是特性，你应该使用Ordinalencoder来完成这个任务（见我的回答的注解）。
Ordinalencoder的命名是相当不幸的，因为“ordinal”是从数学而不是统计命名的Angular 来看的。
更多关于sklearn中ordinal-和labelencoder的区别：https://datascience.stackexchange.com/questions/39317/difference-between-ordinalencoder-and-labelencoder

下面是一个使用sklearn apply对dataframe应用序数编码的简单示例。

import pandas as pd

df = pd.DataFrame(
    {
        "gender": ["man", "women", "child", "man", "women", "child"],
        "age": [40, 40, 10, 50, 50, 8],
    }
)

def ordinal_encoding(genders):
    le = LabelEncoder()
    le.fit(genders)
    return le.transform(genders)

encoded_genders = ordinal_encoding(df["gender"])