在sklearn LabelEncoder中返回标签及其编码值

Question

我使用LabelEncoder，并OneHotEncoder从sklearn一个机器学习项目编码数据集中的标签（国名）。一切正常，我的模型运行完美。该项目将根据包括客户所在国家/地区在内的许多功能（数据）对银行客户是继续还是离开银行进行分类。

当我要预测（分类）新客户（仅一个）时，就会出现我的问题。新客户的数据仍未进行预处理（即，国家/地区名称未编码）。类似于以下内容：

new_customer = np.array([['France', 600, 'Male', 40, 3, 60000, 2, 1,1, 50000]])

在我学习机器学习的在线课程中，讲师打开了包含编码数据的预处理数据集，并手动检查了France的代码并在中对其进行了更新new_customer，如下所示：

new_customer = np.array([[0, 0, 600, 'Male', 40, 3, 60000, 2, 1,1, 50000]])

我认为这不切实际，必须有一种方法可以自动将France编码为原始数据集中使用的相同代码，或者至少应有一种返回国家及其编码值的列表的方法。手动编码标签似乎很乏味且容易出错。那么，如何使该过程自动化或为标签生成代码？提前致谢。

Answer 1

似乎您可能正在寻找transform()估算器的方法。

>>> from sklearn.preprocessing import LabelEncoder

>>> c = ['France', 'UK', 'US', 'US', 'UK', 'China', 'France']
>>> enc = LabelEncoder().fit(c)
>>> encoded = enc.transform(c)
>>> encoded
array([1, 2, 3, 3, 2, 0, 1])

>>> encoded.transform(['France'])
array([1])

这将采用您调用时所学的“映射”，fit(c)并将其应用于新数据（在本例中为新标签）。您可以反向看到此映射：

>>> enc.inverse_transform(encoded)
array(['France', 'UK', 'US', 'US', 'UK', 'China', 'France'], dtype='<U6')

如此处的答案所述，如果要在Python会话之间执行此操作，可以将估算器序列化为磁盘，如下所示：

import pickle

with open('enc.pickle', 'wb') as file:
    pickle.dump(enc, file, pickle.HIGHEST_PROTOCOL)

然后将其加载到新会话中，并转换传入的数据。