如何防止 LabelEncoder 对标签值进行排序？

Question

Scikit LabelEncoder 在我的 Jupyter Notebook 中显示出一些令人费解的行为，如下所示：

from sklearn.preprocessing import LabelEncoder
le2 = LabelEncoder()
le2.fit(['zero', 'one'])
print (le2.inverse_transform([0, 0, 0, 1, 1, 1]))

打印['one' 'one' 'one' 'zero' 'zero' 'zero']。 这很奇怪，它不应该打印['zero' 'zero' 'zero' 'one' 'one' 'one']吗？然后我尝试了

le3 = LabelEncoder()
le3.fit(['one', 'zero'])
print (le3.inverse_transform([0, 0, 0, 1, 1, 1]))

也打印['one' 'one' 'one' 'zero' 'zero' 'zero']。也许发生了字母排序的事情？接下来，我尝试了

le4 = LabelEncoder()
le4.fit(['nil', 'one'])
print (le4.inverse_transform([0, 0, 0, 1, 1, 1]))

打印['nil' 'nil' 'nil' 'one' 'one' 'one']!

我已经为此花费了几个小时。 FWIW，the documentation 中的示例按预期工作，所以我怀疑我期望 inverse_transform 工作的方式存在缺陷。我的部分研究包括this 和this。

如果相关，我使用的是 iPython 7.7.0、numpy 1.17.3 和 scikit-learn 版本 0.21.3。

Answer 1

问题是 LabelEncoder.fit() 总是返回排序后的数据。那是因为它使用了np.unique这里是源code

我猜想做你想做的唯一方法是创建你自己的 fit 方法并覆盖来自 LabelEncoder 的原始方法。

您只需要重用链接中给出的现有代码，示例如下：

import pandas as pd
from sklearn.preprocessing import LabelEncoder
from sklearn.utils import column_or_1d

class MyLabelEncoder(LabelEncoder):

    def fit(self, y):
        y = column_or_1d(y, warn=True)
        self.classes_ = pd.Series(y).unique()
        return self

le2 = MyLabelEncoder()
le2.fit(['zero', 'one'])
print (le2.inverse_transform([0, 0, 0, 1, 1, 1]))

给你：

['zero' 'zero' 'zero' 'one' 'one' 'one']