NaN标签编码器#

class pytorch_forecasting.data.encoders.NaNLabelEncoder(add_nan: bool = False, warn: bool = True)[来源]#

基础： InitialParameterRepresenterMixIn, BaseEstimator, TransformerMixin, TransformMixIn

标签编码器，可以选择性地在转换时将nan和未知类别始终编码为类别 0

初始化 NaNLabelEncoder

Returns:

add_nan – 是否强制将nan编码为0
warn – 如果由于项目未知而添加了额外的nans，是否发出警告

Inherited-members:

方法

`extra_repr`()
`fit`(y[, overwrite])	拟合变换器
`fit_transform`(y[, overwrite])	拟合和转化数据。
`get_metadata_routing`()	获取此对象的元数据路由。
`get_parameters`([groups, group_names])	获取给定组的拟合缩放参数。
`get_params`([deep])	获取此估计器的参数。
`get_transform`(转换)	返回变换函数。
`inverse_preprocess`(y)	逆向预处理重新缩放的数据（例如，取指数）。
`inverse_transform`(y)	解码数据，即将整数转换为标签。
`is_numeric`(y)	确定序列是否为数字。
`preprocess`(y)	预处理输入数据（例如，取对数）。
`set_fit_request`(*[, overwrite])	传递给`fit`方法的请求元数据。
`set_output`(*[, transform])	设置输出容器。
`set_params`(**params)	设置此估计器的参数。
`set_transform_request`(*[, ignore_na, ...])	传递给`transform`方法的请求元数据。
`transform`(y[, return_norm, target_scale, ...])	用整数编码可迭代对象。

属性

转换

fit(y: Series, overwrite: bool = False)[来源]#

拟合变换器

Parameters:

y (pd.Series) – 用于拟合的输入数据
overwrite (bool) – 是否覆盖当前映射或者是添加到现有映射中。

Returns:

NaN标签编码器

Return type:

自己

fit_transform(y: Series, overwrite: bool = False) → ndarray[来源]#

拟合和转化数据。

Parameters:

y (pd.Series) – 输入数据
overwrite (bool) – 是否覆盖当前映射或添加到其中。

Returns:

编码数据

Return type:

np.ndarray

get_parameters(groups=None, group_names=None) → ndarray[来源]#

获取给定组的拟合缩放参数。

所有参数均未使用 - 存在是为了兼容性。

Returns:: 零数组。
Return type:: np.ndarray

inverse_transform(y: Tensor | ndarray) → ndarray[来源]#

解码数据，即将整数转换为标签。

Parameters:: y (联合[torch.Tensor, np.ndarray]) – 编码数据
Raises:: KeyError – 如果未知元素应该被解码
Returns:: 解码数据
Return type:: np.ndarray

static is_numeric(y: Series) → bool[来源]#

判断系列是否为数字类型。如果系列是具有基础整数的分类类型，也会返回 True。

Parameters:: y (pd.Series) – 要进行评估的序列
Returns:: 如果系列是数字，则为真
Return type:: 布尔值

set_fit_request(*, overwrite: bool | None | str = '$UNCHANGED$') → NaN标签编码器#

传递给fit方法的请求元数据。

请注意，该方法仅在 enable_metadata_routing=True 的情况下相关（见 sklearn.set_config()）。有关路由机制如何工作的说明，请参见用户指南。

每个参数的选项为：

True: 请求元数据，如果提供，则传递给 fit。如果未提供元数据，则该请求将被忽略。
False: 未请求元数据，元估计器将不会将其传递给 fit。
None: 未请求元数据，如果用户提供了，元估计器将引发错误。
str: 元数据应该通过这个给定的别名传递给元估计器，而不是原始名称。

默认值（sklearn.utils.metadata_routing.UNCHANGED）保留现有请求。这允许您更改某些参数的请求，而不更改其他参数。

在1.3版本中新增。

注意

此方法仅在此估计器作为元估计器的子估计器时相关，例如在一个 Pipeline内部使用。否则它没有效果。

Parameters:: overwrite (str, True, False, 或 None, default=sklearn.utils.metadata_routing.UNCHANGED) – 用于 fit 中 overwrite 参数的元数据路由。
Returns:: self – 更新后的对象。
Return type:: 对象

传递给transform方法的请求元数据。

请注意，该方法仅在 enable_metadata_routing=True 的情况下相关（见 sklearn.set_config()）。有关路由机制如何工作的说明，请参见用户指南。

每个参数的选项为：

True: 请求元数据，如果提供，则传递给 transform。如果未提供元数据，则请求将被忽略。
False: 未请求元数据，元估计器将不会将其传递给 transform。
None: 未请求元数据，如果用户提供了，元估计器将引发错误。
str: 元数据应该通过这个给定的别名传递给元估计器，而不是原始名称。

默认值（sklearn.utils.metadata_routing.UNCHANGED）保留现有请求。这允许您更改某些参数的请求，而不更改其他参数。

在1.3版本中新增。

注意

此方法仅在此估计器作为元估计器的子估计器时相关，例如在一个 Pipeline内部使用。否则它没有效果。

Parameters:

ignore_na (str, True, False, 或 None, 默认为sklearn.utils.metadata_routing.UNCHANGED) – transform中的ignore_na参数的元数据路由。
return_norm (str, True, False, 或 None, 默认=sklearn.utils.metadata_routing.UNCHANGED) – transform 中 return_norm 参数的元数据路由。
target_scale (str, True, False, 或 None, 默认=sklearn.utils.metadata_routing.UNCHANGED) – transform 中 target_scale 参数的元数据路由。

Returns:

self – 更新后的对象。

Return type:

对象

transform(y: Iterable, return_norm: bool = False, target_scale=None, ignore_na: bool = False) → Tensor | ndarray[来源]#

用整数编码可迭代对象。

Parameters:

y (可迭代对象) – 需要编码的可迭代对象
return_norm – 仅为与其他编码器的兼容性而存在 - 如果为真，则返回一个元组。
target_scale – 仅用于与其他编码器兼容 - 没有影响。
ignore_na (bool) – 是否忽略na值并将其映射为零（这与add_nan=True选项不同，该选项仅将NAs映射为零，而此选项将首类和NAs映射为零）

Returns:

根据输入类型返回编码数据作为torch张量或numpy数组

Return type:

联合[torch.Tensor, np.ndarray]

NaN标签编码器#

此页面