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多类变量。我尝试在 scikit-learn 中使用 LabelEncoder 将特征（不是类）转换为整数并将它们作为输入提供给我正在使用的 RandomForest 模型。我正在使用 RandomForest 进行分类。
现在，当新的测试数据（新数据流）到来时，对于每一列，我怎么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之前生成的标签的新标签.难道，我做错了吗？还有什么我应该使用的一致编码吗？
【问题讨论】：
标签： encoding machine-learning scikit-learn random-forest
您可以在每列的训练数据中保存映射：string -> label。
>>> 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。
【讨论】：
LabelEncoder 类有两种方法来处理这种区别：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')
安装好编码器后，您可以将任何数据转换到标签空间，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。如果您有稍后可能会出现的标签（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。
【讨论】：