Question

我在大熊猫LabelEncoder的专栏中使用scikit-learn df。

如何确定遇到的字符串映射到整数的顺序？这是确定性的吗？

更重要的是，我可以指定此订单吗？

import pandas as pd
from sklearn import preprocessing

df = pd.DataFrame(data=["first", "second", "third", "fourth"], columns=['x'])
le = preprocessing.LabelEncoder()
le.fit(df['x'])
print list(le.classes_)
### this prints ['first', 'fourth', 'second', 'third']
encoded = le.transform(["first", "second", "third", "fourth"]) 
print encoded
### this prints [0 2 3 1]

我希望le.classes_为["first", "second", "third", "fourth"]，然后encoded为[0 1 2 3]，因为这是字符串在列中的显示顺序。可以这样做吗？

Answer 1

按排序顺序完成。在字符串的情况下，它按字母顺序完成。没有相关的文档，但查看LabelEncoder.transform的源代码，我们可以看到工作主要委托给函数numpy.setdiff1d，并附带以下文档：

找出两个数组的集合差异。

返回ar1中不在ar2中的已排序唯一值。

（强调我的）。

请注意，由于没有记录，因此可能是实现定义的，可以在版本之间进行更改。可能只是我看到的版本使用了排序顺序，其他版本的scikit-learn可能会改变这种行为（不使用numpy.setdiff1d）。

Answer 2

我也对不能向LabelEncoder下达命令感到有些惊讶。一线解决方案可以是这样的：

df['col1_num'] = df['col1'].apply(lambda x: ['first', 'second', 'third', 'fourth'].index(x))

Answer 3

我想为我的一个应用程序指定LabelEncoder的顺序。由于我不想迁移一些代码并使用其他一些库。我设法实现了暂时的解决方法。

从一开始我就知道数据集中的类别，所以我创建了虚拟类别，这些虚拟类别将按字母顺序排列为所需的特定顺序。例子

{
0:ARejected,
1:ZApproved
}

之后，我将标签编码器安装到数据集上。装好后，我将替换标签编码器的类，以确保将来可以按需要映射标签。

le=LabelEncoder()
le.fit (X)
le.classes = np.array(['Rejected,'Approved'])

这可能在某些情况下对某些人有帮助。绝对不是永久性的解决方案，因为再次安装编码器时，信息可能会松散。或者，如果类别数量太大。

Answer 4

我建议您使用 OrdinalEncoder 包中的 category_encoders。它有一个 mapping 参数，您可以在其中为每个类别设置所需的转换。您可以在 https://medium.datadriveninvestor.com/axios-instance-interceptors-682868f0de2d 中阅读更多相关信息。

这是一个实现示例：

from category_encoders import OrdinalEncoder

# Ascending order according to value counts
keys = df.columnName.value_counts().sort_values(ascending=False).index
values = list(range(len(keys))) # do np.array()+1 in case you want it to start with 1
mapping = [{
    'col': 'columnName',
    'mapping': dict(zip(keys, values))
}]
oe = OrdinalEncoder(cols=['columnName'], mapping=mapping)
df.columnName = oe.fit_transform(df).columnName # Read note

注意：我建议以这种方式应用编码，因为编码器可能会导致更改其他列的 dtype 出现问题。

LabelEncoder适合Pandas df的顺序

4 个答案: