如何用熊猫按顺序标记编码多个类别（多行）？

Question

我有一个 pandas 数据框（在 python 中），我想标记编码两列，准备在其上训练机器学习模型。将其从分类数据转换为数字。 （我现在还不希望 OneHotEncode 数据）

---

我有一个与此类似的数据（一旦订购）的数据框：

Main_Category    Sub_Category
Cat_0            Sub_1
Cat_1            Cub_1
Cat_1            Aub_2
Cat_2            Sub_3

数据遵循以下关系，其中一个主类别可以有许多独特的子类别。我想先按 Main_Category 排序数据帧，然后按 Sub_Category。这会将所有子类别按其主要类别组合在一起。

df = df.sort_values(['Main_Category', 'Sub_Category'], ascending=[True, True])

---

然后我想对数据进行编码，使其看起来像这样：

Main_Category    Sub_Category
0                0
1                1
1                2
2                3

但是，当我对数据进行编码时，我得到的编码是这样的：

Main_Category    Sub_Category
0                2
1                0
1                1
2                3

我相信编码库正在对数据本身进行排序，然后根据这些结果进行编码。我希望它根据我自己的排序进行编码。什么是理想的解决方案？

这是对列进行编码的代码：

from sklearn.preprocessing import LabelEncoder
labelencoder = LabelEncoder()
df['Main_Category'] = labelencoder.fit_transform(df['Main_Category'])
labelencoder = LabelEncoder()
df['Sub_Category'] = labelencoder.fit_transform(df['Sub_Category'])

---

编辑：我无法显示真实数据，这就是为什么我的问题有虚拟数据。 编辑：更新了 sub_category 名称以更好地显示错误

Answer 1

是的，正如您提到的，labelencoder 对internally 进行排序。 如果您想让编码按特定顺序发生，请使用_encode 直接地。

from sklearn.preprocessing.label import _encode

unique_main_cat, ind = np.unique(df.Main_Category, return_index=True) 

# unique_main_cat would have sorted unique values,  
# to get the original order use argmin(ind)

_encode(df['Main_Category'], 
        uniques=unique_main_cat[np.argsort(ind)], 
        encode=True)

# (array(['Cat_0', 'Cat_1', 'Cat_2'], dtype=object), array([0, 1, 1, 2]))



unique_sub_cat, ind = np.unique(df.Sub_Category, return_index=True)
_encode(df['Sub_Category'], 
        uniques=unique_sub_cat[np.argsort(ind)], 
        encode=True)

# (array(['Sub_1', 'Aub_2', 'Cub_1', 'Sub_3'], dtype=object), array([0, 1, 2, 3]))