告诉LabelEnocder忽略新标签？

Posted 2021-05-03

我正在处理文本数据，其中必须考虑很多用户错误，例如。有很多情况下，在预测新数据时，由于拼写错误，编码器之前没有看到新标签。我只是想忽略这些（所以当我运行labelencoder.transform(df_newdata['GL_Description'])时，我只是想让它忽略任何它以前没有见过）。我怎样才能做到这一点？我没有在文档中找到这方面的参数，但是真正唯一的方法是“手动”逐个检查每个单词并删除它们？有没有办法告诉编码器忽略任何不在其字典中的新标签？

答案

为此，您可以使用自定义编码器覆盖原始LabelEncoder。像这样的东西：

import numpy as np
class TolerantLabelEncoder(LabelEncoder):
    def __init__(self, ignore_unknown=False,
                       unknown_original_value='unknown', 
                       unknown_encoded_value=-1):
        self.ignore_unknown = ignore_unknown
        self.unknown_original_value = unknown_original_value
        self.unknown_encoded_value = unknown_encoded_value

    def transform(self, y):
        check_is_fitted(self, 'classes_')
        y = column_or_1d(y, warn=True)

        indices = np.isin(y, self.classes_)
        if not self.ignore_unknown and not np.all(indices):
            raise ValueError("y contains new labels: %s" 
                                         % str(np.setdiff1d(y, self.classes_)))

        y_transformed = np.searchsorted(self.classes_, y)
        y_transformed[~indices]=self.unknown_encoded_value
        return y_transformed

    def inverse_transform(self, y):
        check_is_fitted(self, 'classes_')

        labels = np.arange(len(self.classes_))
        indices = np.isin(y, labels)
        if not self.ignore_unknown and not np.all(indices):
            raise ValueError("y contains new labels: %s" 
                                         % str(np.setdiff1d(y, self.classes_)))

        y_transformed = np.asarray(self.classes_[y], dtype=object)
        y_transformed[~indices]=self.unknown_original_value
        return y_transformed

用法示例：

en = TolerantLabelEncoder(ignore_unknown=True)
en.fit(['a','b'])

print(en.transform(['a', 'c', 'b']))
# Output: [ 0 -1  1]

print(en.inverse_transform([-1, 0, 1]))
# Output: ['unknown' 'a' 'b']