机器学习特征预处理之序号编码

larance2026-07-15 12:49

示例

复制代码

from sklearn.preprocessing import OrdinalEncoder

def label_encoding(X_train, X_test, cat_cols):
    """标签编码(序号编码)"""
    encoder = OrdinalEncoder(handle_unknown='use_encoded_value', unknown_value=-1)
    X_train[cat_cols] = encoder.fit_transform(X_train[cat_cols])
    X_test[cat_cols] = encoder.transform(X_test[cat_cols])
    return X_train, X_test

调用示例

复制代码

# 导入必要的库
from sklearn.preprocessing import OrdinalEncoder
import pandas as pd

# 准备数据
X_train = pd.DataFrame({
    'color': ['red', 'blue', 'green', 'red'],
    'size': ['S', 'M', 'L', 'M']
})
X_test = pd.DataFrame({
    'color': ['red', 'yellow', 'blue'],
    'size': ['M', 'L', 'XL']  # 'XL' 是未知类别
})

cat_cols = ['color', 'size']

# 应用编码
X_train_encoded, X_test_encoded = label_encoding(X_train, X_test, cat_cols)

print("训练集编码后：\n", X_train_encoded)
print("测试集编码后：\n", X_test_encoded)
# 输出显示 'XL' 被编码为 -1

使用场景建议

适合使用该函数的情况：

决策树、随机森林、XGBoost等树模型（对数值大小不敏感）
有序分类特征
类别数量极多（>100个）
内存受限的环境

不适合使用该函数的情况：

线性模型（如逻辑回归、SVM）
神经网络（需要标准化处理）
类别间无天然顺序关系
对特征解释性要求高

对于encoder 的使用

复制代码

def label_encoding_fit(X_train, cat_cols):
    """训练时调用：返回编码后的数据和 encoder 实例"""
    encoder = OrdinalEncoder(handle_unknown='use_encoded_value', unknown_value=-1)
    X_train_encoded = X_train.copy()
    X_train_encoded[cat_cols] = encoder.fit_transform(X_train_encoded[cat_cols])
    return X_train_encoded, encoder

def label_encoding_transform(X, encoder, cat_cols):
    """推理时调用：加载 encoder 进行转换"""
    X_encoded = X.copy()
    X_encoded[cat_cols] = encoder.transform(X_encoded[cat_cols])
    return X_encoded