Scikit-learn Pipeline编码后标签未转换的问题排查

1. 打印的y_train是原始数据：你执行train_test_split后得到的y_train是直接从原始数据集分割出来的，根本没经过你创建的Pipeline处理，所以自然还是文本标签。Pipeline的预处理逻辑只有在调用fit()或transform()时才会生效，不会自动修改你的原始变量。
2. 错误将LabelEncoder放入ColumnTransformer：ColumnTransformer的作用是处理特征矩阵X，它的输入是特征数据，不能用来处理标签y。你在preprocessor里添加处理标签列的步骤完全无效，因为训练时Pipeline只会把X传给preprocessor，不会传入y。

方法一：单独编码标签（简单直接） #

先对标签列进行Label编码，再分割数据集并训练模型：

from sklearn.preprocessing import LabelEncoder

df = self._dataset.as_dataframe()
train_feature = df[self._train_configs.feature_cols]
train_label = df[self._train_configs.target_col]

# 单独编码标签
le = LabelEncoder()
encoded_train_label = le.fit_transform(train_label)

# 创建只处理特征的Pipeline
self._model = self.create_pipeline(train_feature, self._train_configs.encoding_method, self._model)

# 分割数据集（注意用编码后的标签）
X_train, X_test, y_train, y_test = train_test_split(train_feature, encoded_train_label, random_state=0, train_size=0.8)

# 训练模型
self._model.fit(X_train, y_train)

# 此时打印y_train就是编码后的数值
print(y_train)

同时修改create_pipeline函数，移除所有处理标签的逻辑：

def create_pipeline(self, train_feature, encoding_method, model):
    if encoding_method == EncodingMethod.ONE_HOT:
        categorical_cols = [col for col in train_feature.columns if train_feature[col].dtype == 'object'] 
        categorical_transformer = Pipeline(steps=[
            ('onehot', OneHotEncoder(handle_unknown='ignore', sparse=False))
        ])
        preprocessor = ColumnTransformer(
            transformers=[('category', categorical_transformer, categorical_cols)],
            remainder='passthrough'
        )
    elif encoding_method == EncodingMethod.LABEL:
        categorical_cols = [col for col in train_feature.columns if train_feature[col].dtype == 'object']
        categorical_transformer = Pipeline(steps=[
            ('label', LabelEncoder())
        ])
        preprocessor = ColumnTransformer(
            transformers=[('category', categorical_transformer, categorical_cols)],
            remainder='passthrough'
        )
    pipeline = Pipeline(steps=[('preprocessor', preprocessor), ('classifier', model)])
    return pipeline

方法二：将标签编码整合到Pipeline（更规范） #

如果想把标签编码也纳入Pipeline流程，可以使用TransformedTargetRegressor（分类场景同样适用）：

from sklearn.compose import TransformedTargetRegressor

# 先创建处理特征的Pipeline（同方法一中修改后的create_pipeline）
feature_pipeline = self.create_pipeline(train_feature, self._train_configs.encoding_method, self._model)

# 包装标签编码逻辑
self._model = TransformedTargetRegressor(
    regressor=feature_pipeline,
    transformer=LabelEncoder(),
    check_inverse=False  # 分类场景不需要逆变换，设为False
)

# 分割原始数据集
X_train, X_test, y_train, y_test = train_test_split(train_feature, train_label, random_state=0, train_size=0.8)

# 训练时自动编码标签
self._model.fit(X_train, y_train)

# 查看编码后的标签可以手动用LabelEncoder转换
le = LabelEncoder()
print(le.fit_transform(y_train))

额外注意点 #

• 部分Scikit-learn分类模型可直接接受字符串标签，但编码后更规范，也能避免潜在兼容问题。
• 处理测试集标签时，必须使用训练集拟合好的LabelEncoder执行transform()，不能重新fit_transform()，防止数据泄露。

内容的提问来源于stack exchange，提问作者Stackie