将字符串编码为数字以便在 scikit-learn 中使用它

Question

我的数据由 50 列组成，其中大部分是字符串。我有一个必须预测的 multi-class 变量。我尝试在 scikit-learn 中使用 LabelEncoder 将特征（不是 classes）转换为整数，并将它们作为我正在使用的 RandomForest 模型的输入。我正在使用 RandomForest 进行 classification。

现在，当新的测试数据（新数据流）出现时，对于每一列，我如何知道每个字符串的标签是什么，因为现在使用 LabelEncoder 会给我一个独立于我的标签的新标签之前生成。我这样做错了吗？还有什么我应该使用的一致编码吗？

Answer 1

您可以保存映射：string -> label 在每列的训练数据中。

>>> from sklearn import preprocessing
>>> le = preprocessing.LabelEncoder()
>>> col_1 = ["paris", "paris", "tokyo", "amsterdam"]
>>> set_col_1 = list(set(col_1))
>>> le.fit(col_1)
>>> dict(zip(set_col_1, le.transform(set_col_1)))
{'amsterdam': 0, 'paris': 1, 'tokyo': 2}

当测试数据到来时，您可以使用这些映射对测试数据中的相应列进行编码。您不必在测试数据时再次使用编码器。

Answer 2

LabelEncoder class 有两种处理这种区别的方法：fit 和 transform。通常，您首先调用 fit 将一些数据映射到一组整数：

>>> le = LabelEncoder()
>>> le.fit(['a', 'e', 'b', 'z'])
>>> le.classes_
array(['a', 'b', 'e', 'z'], dtype='U1')

安装编码器后，您可以将任何数据转换为标签 space，而无需更改现有映射：

>>> le.transform(['a', 'e', 'a', 'z', 'a', 'b'])
[0, 2, 0, 3, 0, 1]
>>> le.transform(['e', 'e', 'e'])
[2, 2, 2]

使用此编码器基本上假设您事先知道所有数据中的所有标签。如果您有可能稍后显示的标签（例如，在在线学习场景中），您需要决定如何处理编码器之外的标签。

将字符串编码为数字以便在 scikit-learn 中使用它

Encoding String to numbers so as to use it in scikit-learn

encoding

machine-learning

random-forest

scikit-learn