数据集共有150个样本，1000个特征和1个类别标签：获取标签变量的五个类别，数据特征名称，格式转换； 基于随机森林模式，使用OneVsRestClassifier进行嵌入式特征选择；

标签变量的五个类别可以通过查看数据集中类别标签的不重复值来获得。你可以使用 pandas 库来加载数据集，并使用 `unique` 方法获取不重复的类别标签。下面是一个示例代码：

import pandas as pd

# 加载数据集
data = pd.read_csv('your_dataset.csv')

# 获取不重复的类别标签
labels = data['label'].unique()[:5]

数据特征名称可以通过查看数据集的列名来获得。你可以使用 `columns` 属性来获取列名。下面是一个示例代码：

# 获取数据特征名称
feature_names = data.columns.tolist()

关于格式转换，如果你指的是将数据集中的某些特征从一种格式转换为另一种格式，你可以使用 pandas 库提供的方法来进行转换。例如，将某一列特征的数据类型从字符串转换为数值型：

# 将某一列特征从字符串转换为数值型
data['feature_name'] = pd.to_numeric(data['feature_name'])

基于随机森林模型进行嵌入式特征选择可以使用 `sklearn` 库中的 `RandomForestClassifier` 和 `OneVsRestClassifier` 类来实现。下面是一个示例代码：

from sklearn.ensemble import RandomForestClassifier
from sklearn.multiclass import OneVsRestClassifier

# 创建随机森林分类器
rf = RandomForestClassifier()

# 创建OneVsRest分类器并进行特征选择
ovr = OneVsRestClassifier(rf)
ovr.fit(X, y)  # X为特征数据，y为类别标签数据
selected_features = ovr.transform(X)  # 选择的特征数据

请注意，在上述代码中，`X` 是特征数据，`y` 是类别标签数据。你需要将你的数据集中的特征数据和类别标签分别赋值给 `X` 和 `y`。