通過sklearn 實現LabelEnconder 編碼，之後進行xgboost預測。

通過sklearn 實現babel 編碼，之後進行xgboost預測。
LabelEncoder()
更多編碼操作可以參考：鏈接直通車

from sklearn.preprocessing import LabelEncoder
from sklearn.model_selection import train_test_split
import xgboost as xgb
import pandas as pd

def GitdataCate():
    df=pd.read_csv("Training.csv")
    one_hot_feature=["prognosis"]
    lbc = LabelEncoder()
    for feature in one_hot_feature:
        try:
            df[feature] = lbc.fit_transform(df[feature].apply(int))
        except:
            df[feature] = lbc.fit_transform(df[feature])
    # X=df.as_matrix()，此方法後面回去刪除，可以使用df.values
    X=df.values
    print(X)
    #返回映射後的classes_的編碼
    terminal_type1 = {index: label for index, label in enumerate( lbc.classes_)}
    print(terminal_type1)

注意：上面的代碼只能返回最後的一列的特徵編碼字典，通過過下下方式可以打印出每一個特徵的特徵編碼。

 for feature in one_hot_feature:
        try:
            df[feature] = lbc.fit_transform(df[feature].apply(int))
        except:
            df[feature] = lbc.fit_transform(df[feature])
    # X=df.as_matrix()，此方法後面回去刪除，可以使用df.values
        terminal_type1 = {index: label for index, label in enumerate( lbc.classes_)}

        print(terminal_type1)

兩個特徵的特徵編碼：

更多操作：

from sklearn.preprocessing import LabelEncoder 
包初始化 
gle = LabelEncoder() 
建立映射 
terminal_type= gle.fit_transform(data1[‘terminal_type’]) 
映射後的對應值 
terminal_type1 = {index: label for index, label in enumerate(gle.classes_)} 
添加映射後的列 
data1[‘terminal_type1’] = terminal_type 
刪除映射前對的列 
data1 = data1.drop([‘terminal_type’],axis=1) 
data1.head()

klearn.preprocessing.LabelEncoder()：標準化標籤，將標籤值統一轉換成range(標籤值個數-1)範圍內

以數字標籤爲例：

In [1]: from sklearn import preprocessing
   ...: le = preprocessing.LabelEncoder()
   ...: le.fit([1,2,2,6,3])
   ...:
Out[1]: LabelEncoder()

獲取標籤值

In [2]: le.classes_
Out[2]: array([1, 2, 3, 6])

將標籤值標準化

In [3]: le.transform([1,1,3,6,2])
Out[3]: array([0, 0, 2, 3, 1], dtype=int64)

將標準化的標籤值反轉

In [4]: le.inverse_transform([0, 0, 2, 3, 1])
Out[4]: array([1, 1, 3, 6, 2])

非數字型標籤值標準化：

In [5]: from sklearn import preprocessing
   ...: le =preprocessing.LabelEncoder()
   ...: le.fit(["paris", "paris", "tokyo", "amsterdam"])
   ...: print('標籤個數:%s'% le.classes_)
   ...: print('標籤值標準化:%s' % le.transform(["tokyo", "tokyo", "paris"]))
   ...: print('標準化標籤值反轉:%s' % le.inverse_transform([2, 2, 1]))
   ...:

標籤個數:[‘amsterdam’ ‘paris’ ‘tokyo’]
標籤值標準化:[2 2 1]
標準化標籤值反轉:[‘tokyo’ ‘tokyo’ ‘paris’]