mars.learn.preprocessing.LabelEncoder

class mars.learn.preprocessing.LabelEncoder

对目标标签进行编码，其值介于 0 和 n_classes-1 之间。

此转换器应被用来编码目标值，即y，而不是输入X。

在用户指南中阅读更多内容。

classes_

为每个类别持有标签。

Type

形状为 (n_classes,) 的 ndarray

另请参阅

OrdinalEncoder

使用有序编码方案对分类特征进行编码。

OneHotEncoder

将分类特征编码为一维热编码数字数组。

示例

LabelEncoder 可用于标准化标签。

>>> from sklearn import preprocessing
>>> le = preprocessing.LabelEncoder()
>>> le.fit([1, 2, 2, 6])
LabelEncoder()
>>> le.classes_
array([1, 2, 6])
>>> le.transform([1, 1, 2, 6])
array([0, 0, 1, 2]...)
>>> le.inverse_transform([0, 0, 1, 2])
array([1, 1, 2, 6])

它也可以用来将非数值标签（只要它们是可哈希和可比较的）转换为数值标签。

>>> le = preprocessing.LabelEncoder()
>>> le.fit(["paris", "paris", "tokyo", "amsterdam"])
LabelEncoder()
>>> list(le.classes_)
['amsterdam', 'paris', 'tokyo']
>>> le.transform(["tokyo", "tokyo", "paris"])
array([2, 2, 1]...)
>>> list(le.inverse_transform([2, 2, 1]))
['tokyo', 'tokyo', 'paris']

__init__()

方法

__init__()
fit(y[, session, run_kwargs, execute])	适合标签编码器。
fit_transform(y[, session, run_kwargs])	拟合标签编码器并返回编码后的标签。
get_params([deep])	获取该估计器的参数。
inverse_transform(y[, session, run_kwargs])	将标签转换回原始编码。
set_params(**params)	设置此估计器的参数。
transform(y[, session, run_kwargs, execute])	将标签转换为规范化编码。