python - 适合 Pandas df 的 LabelEncoder 顺序

Question

我正在安装 scikit-learn LabelEncoder在 Pandas 的专栏上 df .

遇到的字符串映射到整数的顺序是如何确定的？它是确定性的吗？

更重要的是，我可以指定这个顺序吗？

import pandas as pd
from sklearn import preprocessing

df = pd.DataFrame(data=["first", "second", "third", "fourth"], columns=['x'])
le = preprocessing.LabelEncoder()
le.fit(df['x'])
print list(le.classes_)
### this prints ['first', 'fourth', 'second', 'third']
encoded = le.transform(["first", "second", "third", "fourth"]) 
print encoded
### this prints [0 2 3 1]

我希望 le.classes_ 是["first", "second", "third", "fourth"] 然后编码 为 [0 1 2 3]，因为这是字符串在列中出现的顺序。这能做到吗？

Answer 1

这是按排序顺序完成的。在字符串的情况下，它是按字母顺序完成的。没有这方面的文档，但查看 LabelEncoder.transform 的源代码我们可以看到工作主要委托(delegate)给函数 numpy.setdiff1d , 以及以下文档:

Find the set difference of two arrays.

Return the sorted, unique values in ar1 that are not in ar2.

(强调我的)。

请注意，由于没有记录，它可能是实现定义的，并且可以在版本之间更改。可能只是我看到的版本使用了排序顺序，而其他版本的 scikit-learn 可能会改变这种行为(通过不使用 numpy.setdiff1d)。