参考：

https://blog.csdn.net/weixin_45875105/article/details/107818766  python sklearn 编码(one-hot,标签编码)

https://www.cnblogs.com/sench/p/10134094.html  sklearn.preprocessing.LabelEncoder的使用

https://scikit-learn.org/stable/modules/generated/sklearn.preprocessing.LabelEncoder.html  官方解释

 

1. 准备好数据，使用LabelEncoder对数据集进行编码

• 方法1：fit、transform

        enc=preprocessing.LabelEncoder()   #获取一个LabelEncoder
        enc=enc.fit(['小猫','小狗','兔子'])         #训练LabelEncoder
        data=enc.transform(data)                  #使用训练好的LabelEncoder对原数据进行编码

• 方法2：fit_transform

        enc=preprocessing.LabelEncoder()   #获取一个LabelEncoder
        data=enc.fit_transform(data) 

• 代码示例：

from sklearn import preprocessing

data=['小猫','小猫','小狗','小狗','兔子','兔子']  #准备好数据

#方法1：
enc=preprocessing.LabelEncoder()   #获取一个LabelEncoder
enc=enc.fit(['小猫','小狗','兔子'])  #训练LabelEncoder
data=enc.transform(data)       #使用训练好的LabelEncoder对原数据进行编码

#方法2：
#enc=preprocessing.LabelEncoder()   #获取一个LabelEncoder
#data=enc.fit_transform(data) 


print(data)    #输出编码后的数据

输出：[2 2 1 1 0 0]

根据结果可以看到， LabelEncoder将：小猫编码成2，小狗编码成2，兔子编码成0

 

2. 根据编码后的类别，反向推导出编码前对应的原始标签 

方法：inverse_transform

#根据编码后的类别，反向推导出编码前对应的原始标签
print(enc.inverse_transform([0,1,2]))


输出：['兔子' '小狗' '小猫']

根据输出结果可以看到，0对应兔子，1对应小狗，2对应小猫