OrdinalEncoder#

class sklearn.preprocessing.OrdinalEncoder(*, categories='auto', dtype=<class 'numpy.float64'>, handle_unknown='error', unknown_value=None, encoded_missing_value=nan, min_frequency=None, max_categories=None)#

将分类特征编码为整数数组。

该转换器的输入应为整数或字符串的类数组，表示分类（离散）特征的取值。 特征被转换为序数整数。这会为每个特征生成一列整数（0 到 n_categories - 1）。

更多信息请参阅 用户指南 。 有关不同编码器的比较，请参阅： 目标编码器与其他编码器的比较 。

Added in version 0.20.

Parameters:
categories‘auto’ 或类数组列表，默认=’auto’

每个特征的类别（唯一值）：

  • ‘auto’ : 从训练数据中自动确定类别。

  • 列表 :categories[i] 包含第 i 列中预期的类别。传递的类别不应混合字符串和数值，数值应按顺序排序。

使用的类别可以在 categories_ 属性中找到。

dtype数字类型，默认=np.float64

期望的输出数据类型。

handle_unknown{‘error’, ‘use_encoded_value’}, 默认=’error’

当设置为 ‘error’ 时，在转换过程中遇到未知分类特征时会引发错误。当设置为 ‘use_encoded_value’ 时，未知类别的编码值将设置为参数 unknown_value 给定的值。在 inverse_transform 中，未知类别将表示为 None。

Added in version 0.24.

unknown_valueint 或 np.nan, 默认=None

当参数 handle_unknown 设置为 ‘use_encoded_value’ 时，此参数是必需的，并将设置未知 类别的编码值。它必须与 fit 中使用的任何类别值不同。如果设置为 np.nan，则 dtype 参数必须是浮点类型。

Added in version 0.24.

encoded_missing_valueint 或 np.nan, 默认=np.nan

缺失类别的编码值。如果设置为 np.nan ，则 dtype 参数必须是浮点类型。

Added in version 1.1.

min_frequencyint 或 float, 默认=None

指定低于此频率的类别将被视为不频繁。

  • 如果 int ，类别数较少的类别将被视为不频繁。

  • 如果 float ，类别数少于 min_frequency * n_samples 的类别将被视为不频繁。

Added in version 1.3: 更多信息请参阅 用户指南 。

max_categoriesint, 默认=None

指定每个输入特征在考虑不频繁类别时的输出类别上限。如果有不频繁类别， max_categories 包括表示不频繁类别的类别以及频繁类别。如果为 None ，则对输出特征数量没有限制。

max_categories 不考虑缺失或未知类别。设置 unknown_value 或 encoded_missing_value 为整数将分别增加一个唯一的整数码。这可能导致最多 max_categories + 2 个整数码。

Added in version 1.3: 更多信息请参阅 用户指南 。

Attributes:
categories_数组列表

在 fit 期间确定的每个特征的类别（按 X 中特征的顺序，对应于 transform 的输出）。这不包括在 fit 期间未见过的类别。

n_features_in_int

在 fit 期间看到的特征数量。

Added in version 1.0.

feature_names_in_ndarray 形状 ( n_features_in_ ,)

在 fit 期间看到的特征名称。仅当 X 的特征名称均为字符串时定义。

Added in version 1.0.

infrequent_categories_ndarray 列表

稀有类别对于每个特征。

See also

OneHotEncoder

对分类特征执行独热编码。这种编码适用于低到中基数的分类变量，无论是在监督还是非监督设置中。

TargetEncoder

使用监督信号在分类或回归管道中编码分类特征。这种编码通常适用于高基数的分类变量。

LabelEncoder

将目标标签编码为 0 到 n_classes-1 之间的值。

Notes

在高比例的 nan 值情况下，使用 Python 3.10 之前的版本推断类别会变得很慢。从 Python 3.10 开始，改进了对 nan 值的处理（参见 bpo-43475 ）。

Examples

给定一个包含两个特征的数据集，我们让编码器找到每个特征的唯一值，并将数据转换为序数编码。

>>> from sklearn.preprocessing import OrdinalEncoder
>>> enc = OrdinalEncoder()
>>> X = [['Male', 1], ['Female', 3], ['Female', 2]]
>>> enc.fit(X)
OrdinalEncoder()
>>> enc.categories_
[array(['Female', 'Male'], dtype=object), array([1, 2, 3], dtype=object)]
>>> enc.transform([['Female', 3], ['Male', 1]])
array([[0., 2.],
       [1., 0.]])

>>> enc.inverse_transform([[1, 0], [0, 1]])
array([['Male', 1],
       ['Female', 2]], dtype=object)

默认情况下，OrdinalEncoder 对缺失值是宽容的，会传播它们。

>>> import numpy as np
>>> X = [['Male', 1], ['Female', 3], ['Female', np.nan]]
>>> enc.fit_transform(X)
array([[ 1.,  0.],
       [ 0.,  1.],
       [ 0., nan]])

您可以使用参数 encoded_missing_value 来编码缺失值。

>>> enc.set_params(encoded_missing_value=-1).fit_transform(X)
array([[ 1.,  0.],
       [ 0.,  1.],
       [ 0., -1.]])

通过设置 max_categories 或 min_frequency 启用不频繁类别。在以下示例中，”a” 和 “d” 被视为不频繁，并被归为一个类别，”b” 和 “c” 是它们自己的类别，未知值编码为 3，缺失值编码为 4。

>>> X_train = np.array(
...     [["a"] * 5 + ["b"] * 20 + ["c"] * 10 + ["d"] * 3 + [np.nan]],
...     dtype=object).T
>>> enc = OrdinalEncoder(
...     handle_unknown="use_encoded_value", unknown_value=3,
...     max_categories=3, encoded_missing_value=4)
>>> _ = enc.fit(X_train)
>>> X_test = np.array([["a"], ["b"], ["c"], ["d"], ["e"], [np.nan]], dtype=object)
>>> enc.transform(X_test)
array([[2.],
       [0.],
       [1.],
       [2.],
       [3.],
       [4.]])
fit(X, y=None)#

拟合OrdinalEncoder到X。

Parameters:
Xarray-like of shape (n_samples, n_features)

用于确定每个特征类别的数据。

yNone

忽略。此参数仅为与 Pipeline 兼容而存在。

Returns:
selfobject

拟合后的编码器。

fit_transform(X, y=None, **fit_params)#

拟合数据，然后进行转换。

将转换器拟合到 X 和 y ，并带有可选参数 fit_params ， 并返回 X 的转换版本。

Parameters:
X形状为 (n_samples, n_features) 的类数组

输入样本。

y形状为 (n_samples,) 或 (n_samples, n_outputs) 的类数组, 默认=None

目标值（无监督转换为 None）。

**fit_paramsdict

其他拟合参数。

Returns:
X_new形状为 (n_samples, n_features_new) 的 ndarray 数组

转换后的数组。

get_feature_names_out(input_features=None)#

获取变换后的输出特征名称。

Parameters:
input_features字符串数组或None，默认=None

输入特征。

  • 如果 input_features 是 None ，则使用 feature_names_in_ 作为输入特征名称。如果 feature_names_in_ 未定义，则生成以下输入特征名称： ["x0", "x1", ..., "x(n_features_in_ - 1)"] 。

  • 如果 input_features 是数组类型，则 input_features 必须与 feature_names_in_ 匹配（如果 feature_names_in_ 已定义）。

Returns:
feature_names_out字符串对象的ndarray

与输入特征相同。

get_metadata_routing()#

获取此对象的元数据路由。

请查看 用户指南 以了解路由机制的工作原理。

Returns:
routingMetadataRequest

MetadataRequest 封装的 路由信息。

get_params(deep=True)#

获取此估计器的参数。

Parameters:
deepbool, 默认=True

如果为True，将返回此估计器和包含的子对象（也是估计器）的参数。

Returns:
paramsdict

参数名称映射到它们的值。

property infrequent_categories_#

稀有类别对于每个特征。

inverse_transform(X)#

将数据转换回原始表示形式。

Parameters:
X形状为 (n_samples, n_encoded_features) 的类数组

转换后的数据。

Returns:
X_tr形状为 (n_samples, n_features) 的 ndarray

逆转换后的数组。

set_output(*, transform=None)#

设置输出容器。

请参阅 介绍 set_output API 以了解如何使用API的示例。

Parameters:
transform{“default”, “pandas”, “polars”}, 默认=None

配置 transform 和 fit_transform 的输出。

  • "default" : 转换器的默认输出格式

  • "pandas" : DataFrame 输出

  • "polars" : Polars 输出

  • None : 转换配置不变

Added in version 1.4: "polars" 选项已添加。

Returns:
self估计器实例

估计器实例。

set_params(**params)#

设置此估计器的参数。

该方法适用于简单估计器以及嵌套对象（例如 Pipeline ）。后者具有形式为 <component>__<parameter> 的参数，以便可以更新嵌套对象的每个组件。

Parameters:
**paramsdict

估计器参数。

Returns:
selfestimator instance

估计器实例。

transform(X)#

将X转换为序数代码。

Parameters:
X形状为 (n_samples, n_features) 的类数组

要编码的数据。

Returns:
X_out形状为 (n_samples, n_features) 的 ndarray

转换后的输入。

On this page
Show Source