如何在Scikit-Learn中重复使用LabelBinarizer进行输入预测

Question

我用Scikit-Learn训练了一个分类器。我正在加载输入以从 CSV 训练我的分类器。我的一些列（例如"城镇"）的值是规范的（例如，可以是"纽约"、"巴黎"、"斯德哥尔摩"等）。为了使用这些规范列，我正在使用Scikit-Learn的LabelBinarizer进行单热编码。

这是我在训练前转换数据的方式：

import pandas as pd
from sklearn.preprocessing import LabelBinarizer
headers = [ 
    'Ref.', 'Town' #,...
]
df = pd.read_csv("/path/to/some.csv", header=None, names=headers, na_values="?")
lb = LabelBinarizer()
lb_results = lb.fit_transform(df['Town'])

但是，我不清楚如何使用 LabelBinarizer 使用我想进行预测的新输入数据创建特征向量。特别是，如果新数据包含已见城镇（例如纽约），则需要在与训练数据中的同一城镇相同的位置对其进行编码。

标签二值化应该如何重新应用于新的输入数据？

（我对Scikit-Learn没有强烈的感觉，如果有人知道如何用熊猫的get_dummies方法做到这一点，那也很好。

Answer 1

只需将lb.transform()用于已训练lb模型即可。

演示：

假设我们有以下火车DF：

In [250]: df
Out[250]:
           Town
0      New York
1        Munich
2          Kiev
3         Paris
4        Berlin
5      New York
6  Zaporizhzhia

一步到位地拟合（训练）和变换（binarize）：

In [251]: r1 = pd.DataFrame(lb.fit_transform(df['Town']), columns=lb.classes_)

收益 率：

In [252]: r1
Out[252]:
   Berlin  Kiev  Munich  New York  Paris  Zaporizhzhia
0       0     0       0         1      0             0
1       0     0       1         0      0             0
2       0     1       0         0      0             0
3       0     0       0         0      1             0
4       1     0       0         0      0             0
5       0     0       0         1      0             0
6       0     0       0         0      0             1

lb现在正在为这些城镇接受培训，这是我们在df

现在我们可以使用经过训练的lb模型（使用 lb.transform（））对新数据集进行二值化：

In [253]: new
Out[253]:
       Town
0    Munich
1  New York
2     Dubai  # <--- new (not trained) town
In [254]: r2 = pd.DataFrame(lb.transform(new['Town']), columns=lb.classes_)
In [255]: r2
Out[255]:
   Berlin  Kiev  Munich  New York  Paris  Zaporizhzhia
0       0     0       1         0      0             0
1       0     0       0         1      0             0
2       0     0       0         0      0             0