如何在 Scikit-Learn 中重用 LabelBinarizer 进行输入预测

Question

我使用 Scikit-Learn 训练了一个分类器。我正在加载输入以从 CSV 训练我的分类器。我的一些列（例如“Town”）的值是规范的（例如可以是“New York”、“Paris”、“Stockholm”……）。为了使用这些规范列，我正在使用 Scikit-Learn 的 LabelBinarizer 进行 one-hot encoding。

这是我在训练前转换数据的方式：

import pandas as pd
from sklearn.preprocessing import LabelBinarizer

headers = [ 
    'Ref.', 'Town' #,...
]

df = pd.read_csv("/path/to/some.csv", header=None, names=headers, na_values="?")

lb = LabelBinarizer()
lb_results = lb.fit_transform(df['Town'])

但是，我不清楚如何使用 LabelBinarizer 使用我想要进行预测的新输入数据来创建特征向量。特别是，如果新数据包含一个见过的城镇（例如纽约），则需要在训练数据中与同一城镇相同的位置进行编码。

标签二值化应该如何重新应用于新的输入数据？

（我对 Scikit-Learn 没有强烈的感觉，如果有人知道如何使用 Pandas 的 get_dummies 方法也可以。）

Answer 1

只需将lb.transform() 用于已经训练好的lb 模型。

演示：

假设我们有以下火车 DF：

In [250]: df
Out[250]:
           Town
0      New York
1        Munich
2          Kiev
3         Paris
4        Berlin
5      New York
6  Zaporizhzhia

一步完成拟合（训练）和变换（二值化）：

In [251]: r1 = pd.DataFrame(lb.fit_transform(df['Town']), columns=lb.classes_)

产量：

In [252]: r1
Out[252]:
   Berlin  Kiev  Munich  New York  Paris  Zaporizhzhia
0       0     0       0         1      0             0
1       0     0       1         0      0             0
2       0     1       0         0      0             0
3       0     0       0         0      1             0
4       1     0       0         0      0             0
5       0     0       0         1      0             0
6       0     0       0         0      0             1

lb 现在接受了针对那些城镇的培训，我们在 df 中进行了培训

现在我们可以使用经过训练的lb 模型（使用lb.transform()）对新数据集进行二值化：

In [253]: new
Out[253]:
       Town
0    Munich
1  New York
2     Dubai  # <--- new (not trained) town

In [254]: r2 = pd.DataFrame(lb.transform(new['Town']), columns=lb.classes_)

In [255]: r2
Out[255]:
   Berlin  Kiev  Munich  New York  Paris  Zaporizhzhia
0       0     0       1         0      0             0
1       0     0       0         1      0             0
2       0     0       0         0      0             0