处理标签编码的未知值

Posted 2023-02-23

【中文标题】处理标签编码的未知值

【英文标题】：Handling unknown values for label encoding

【发布时间】：2017-03-12 07:11:31

【问题描述】：

如何处理 sk-learn 中标签编码的未知值？ 标签编码器只会在检测到新标签的情况下崩溃。

我想要的是通过 one-hot-encoder 对分类变量进行编码。但是，sk-learn 不支持字符串。所以我在每一列上都使用了一个标签编码器。

我的问题是在管道的交叉验证步骤中出现了未知标签。 基本的 one-hot-encoder 可以选择忽略这种情况。 apriori pandas.getDummies /cat.codes 是不够的，因为管道应该处理现实生活中可能包含未知标签的新传入数据。

是否可以为此使用CountVectorizer？

【问题讨论】：

您有用于此目的的示例插图吗？

你能捕捉到异常，记录它（或其他），然后继续吗？还是直接忽略它们？

如果将预测模型部署为 API，它很可能会遇到未知的特征标签。我该如何在sklearn中处理？您是否建议将错误传播到 API？

@GeorgHeiler，您是否尝试过查看DictVectorizer，它对字符串特征进行二进制一热编码？但是，您需要输入字典列表。因此，选择存在分类值的子集并执行df[cat_cols].to_dict(orient='records') 之类的操作来创建字典列表的映射，然后将其馈送到DictVectorizer。这些也可以包含在管道中，供 scikit-learn 估计器使用。

@NickilMaveli 我用它做了一些试验，但还没有让它工作。

【参考方案1】：

编辑：

最近使用 scikit-learn 处理这个问题的更简单/更好的方法是使用类 sklearn.preprocessing.OneHotEncoder

from sklearn.preprocessing import OneHotEncoder

enc = OneHotEncoder(handle_unknown='ignore')
enc.fit(train)

enc.transform(train).toarray()

旧答案：

有几个答案提到pandas.get_dummies 作为一种方法，但我觉得labelEncoder 方法对于实现模型更干净。 其他类似的答案提到为此使用DictVectorizer，但再次将整个DataFrame 转换为dict 可能不是一个好主意。

让我们假设以下有问题的列：

from sklearn import preprocessing
import numpy as np
import pandas as pd

train = 'city': ['Buenos Aires', 'New York', 'Istambul', 'Buenos Aires', 'Paris', 'Paris'],
        'letters': ['a', 'b', 'c', 'd', 'a', 'b']
train = pd.DataFrame(train)

test = 'city': ['Buenos Aires', 'New York', 'Istambul', 'Buenos Aires', 'Paris', 'Utila'],
        'letters': ['a', 'b', 'c', 'a', 'b', 'b']
test = pd.DataFrame(test)

Utila 是一个比较稀有的城市，它不在训练数据中而是在测试集中，我们可以在推理时考虑新数据。

诀窍是将此值转换为“其他”并将其包含在 labelEncoder 对象中。然后我们可以在生产中重用它。

c = 'city'
le = preprocessing.LabelEncoder()
train[c] = le.fit_transform(train[c])
test[c] = test[c].map(lambda s: 'other' if s not in le.classes_ else s)
le_classes = le.classes_.tolist()
bisect.insort_left(le_classes, 'other')
le.classes_ = le_classes
test[c] = le.transform(test[c])
test

  city  letters
0   1   a
1   3   b
2   2   c
3   1   a
4   4   b
5   0   b

要将其应用于新数据，我们只需为每一列保存一个le 对象，这可以使用 Pickle 轻松完成。

此答案基于此question，我觉得我并不完全清楚，因此添加了此示例。

【讨论】：

您的意思是区别在于您的解决方案只需要内存中的一列，而我的解决方案需要内存中的所有列？

Sehr 你会建议其他还是空？我认为 null 也很好，因为预处理代码会在标签编码器之前处理它。

如果在le.classes_ 中存在比other 更大的值，bisect.insort_left(le_classes, 'other') 最终会在该元素之前插入other 吗？如果是这种情况，other 之后元素的代码会发生变化，从而损害代码映射的完整性。

在修改 labelEncoder 之前注意不要做le.fit_transform(train[c])。否则 labelEncoder 的映射在训练和测试上是不一样的。而是执行le.fit(train[c])，然后在修改labelEncoder 后执行le.transform(train[c])。

将旧答案中的 le.classes_ = le_classes 更改为 le.classes_ = np.array(le_classes) 以保留 preprocessing.LabelEncoder().inverse_transform() 的有用性