假设我们有一个标签数据集，它包含了一些文本类别标签，如下所示：
labels = ['cat', 'dog', 'cat', 'bird', 'dog', 'bird']
我们希望将这些文本标签转换成数值，以便机器学习模型可以处理。`LabelEncoder` 就是用来做这个转换的工具。下面是使用 `LabelEncoder` 转换标签的过程：
- 首先，我们创建 `LabelEncoder` 的一个实例：
from sklearn import preprocessing
le = preprocessing.LabelEncoder()
- 然后，我们将这个实例拟合到我们的标签数据 上：
fit方法会扫描整个labels数组或序列，识别出所有的唯一标签。
le.fit(labels)
此时，`LabelEncoder` 会检查所有的标签，并创建一个映射，将每个唯一的标签映射到一个整数。在这个例子中，映射关系可能如下：
'bird' -> 0
'cat' -> 1
'dog' -> 2
- 接下来，我们使用 `LabelEncoder` 将原始标签转换成整数：
label_numbers = le.transform(labels)
print(label_numbers)
这将输出：
[1 2 1 0 2 0]
如你所见，文本标签 'cat'、'dog' 和 'bird' 被转换成了整数 1、2 和 0。
值得注意的是，`LabelEncoder` 会按照它们第一次出现的顺序给标签分配数字。在这个例子中，'cat' 是第一个出现的，所以它被分配了数字 1；'dog' 是第二个出现的，所以它被分配了数字 2；'bird' 是第三个出现的，所以它被分配了数字 0。
此外，`LabelEncoder` 还可以用来逆转换，即将整数标签再转换回原始的文本标签。例如：
original_labels = le.inverse_transform(label_numbers)
print(original_labels)
这将输出：
['cat' 'dog' 'cat' 'bird' 'dog' 'bird']
这样，我们就可以将模型预测的整数标签转换回人类可读的文本标签。
完整代码：
from sklearn import preprocessing
le = preprocessing.LabelEncoder()
labels = ['cat', 'dog', 'cat', 'bird', 'dog', 'bird']
le.fit(labels)
label_numbers = le.transform(labels)
print(label_numbers)
original_labels = le.inverse_transform(label_numbers)
print(original_labels)