class LabelEncoder Found at: sklearn.preprocessing._labelclass LabelEncoder(TransformerMixin, BaseEstimator):
? ? """Encode target labels with value between 0 and n_classes-1.
? ? This transformer should be used to encode target values, *i.e.* `y`, and not the input `X`.
? ? Read more in the :ref:`User Guide <preprocessing_targets>`.

?

""對目標(biāo)標(biāo)簽進(jìn)行編碼，值在0到n_class -1之間。

這個(gè)轉(zhuǎn)換器應(yīng)該用于編碼目標(biāo)值，*即' y '，而不是輸入' X '。

更多內(nèi)容見:ref: ' User Guide '。

. .versionadded:: 0.12

屬性
----------
classes_:形狀數(shù)組(n_class，)
保存每個(gè)類的標(biāo)簽。

例子
--------
“LabelEncoder”可用于規(guī)范化標(biāo)簽。

?

? ? >>> 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])

它還可以用于將非數(shù)字標(biāo)簽(只要它們是可hashable和可比的)轉(zhuǎn)換為數(shù)字標(biāo)簽。

?

? ? >>> 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']

另請參閱
--------
sklearn.preprocessing.OrdinalEncoder :序號編碼器:使用序號編碼方案編碼分類特征。
sklearn.preprocessing.OneHotEncoder :??將分類特性編碼為一個(gè)熱的數(shù)字?jǐn)?shù)組。

? ? """
? ? def fit(self, y):
? ? ? ? """Fit label encoder

? ? ? ? Parameters
? ? ? ? ----------
? ? ? ? y : array-like of shape (n_samples,)
? ? ? ? ? ? Target values.

? ? ? ? Returns
? ? ? ? -------
? ? ? ? self : returns an instance of self.
? ? ? ? """
? ? ? ? y = column_or_1d(y, warn=True)
? ? ? ? self.classes_ = _encode(y)
? ? ? ? return self
? ??
? ? def fit_transform(self, y):
? ? ? ? """Fit label encoder and return encoded labels

? ? ? ? Parameters
? ? ? ? ----------
? ? ? ? y : array-like of shape [n_samples]
? ? ? ? ? ? Target values.

? ? ? ? Returns
? ? ? ? -------
? ? ? ? y : array-like of shape [n_samples]
? ? ? ? """
? ? ? ? y = column_or_1d(y, warn=True)
? ? ? ? self.classes_, y = _encode(y, encode=True)
? ? ? ? return y
? ??
? ? def transform(self, y):
? ? ? ? """Transform labels to normalized encoding.

? ? ? ? Parameters
? ? ? ? ----------
? ? ? ? y : array-like of shape [n_samples]
? ? ? ? ? ? Target values.

? ? ? ? Returns
? ? ? ? -------
? ? ? ? y : array-like of shape [n_samples]
? ? ? ? """
? ? ? ? check_is_fitted(self)
? ? ? ? y = column_or_1d(y, warn=True)
? ? ? ? # transform of empty array is empty array
? ? ? ? if _num_samples(y) == 0:
? ? ? ? ? ? return np.array([])
? ? ? ? _, y = _encode(y, uniques=self.classes_, encode=True)
? ? ? ? return y
? ??
? ? def inverse_transform(self, y):
? ? ? ? """Transform labels back to original encoding.

? ? ? ? Parameters
? ? ? ? ----------
? ? ? ? y : numpy array of shape [n_samples]
? ? ? ? ? ? Target values.

? ? ? ? Returns
? ? ? ? -------
? ? ? ? y : numpy array of shape [n_samples]
? ? ? ? """
? ? ? ? check_is_fitted(self)
? ? ? ? y = column_or_1d(y, warn=True)
? ? ? ? # inverse transform of empty array is empty array
? ? ? ? if _num_samples(y) == 0:
? ? ? ? ? ? return np.array([])
? ? ? ? diff = np.setdiff1d(y, np.arange(len(self.classes_)))
? ? ? ? if len(diff):
? ? ? ? ? ? raise ValueError(
? ? ? ? ? ? ? ? "y contains previously unseen labels: %s" % str(diff))
? ? ? ? y = np.asarray(y)
? ? ? ? return self.classes_[y]
? ??
? ? def _more_tags(self):
? ? ? ? return {'X_types':['1dlabels']}

fit(y)

Fit label encoder

fit_transform(y)

Fit label encoder and return encoded labels

get_params([deep])

Get parameters for this estimator.

inverse_transform(y)

Transform labels back to original encoding.

set_params(**params)

Set the parameters of this estimator.

transform(y)

Transform labels to normalized encoding.