如何对Sklearn LabelBinarizer的单个编码值执行逆变换？

背景代码与问题 #

首先用LabelBinarizer完成数据编码：

reviewerLe = LabelBinarizer()
reviewerIDs = reviewerLe.fit_transform(df['reviewerID'])

查看单个样本的输出和形状：

print(reviewerIDs[1])
reviewerIDs[1].shape

输出结果：

[0 0 0 ... 0 0 0]
(4975,)

尝试对单个样本执行逆变换时：

reviewerLe.inverse_transform(reviewerIDs[1])

触发错误：

axis 1 is out of bounds for array of dimension 1

官方文档要求 #

inverse_transform(Y, threshold=None)
Y{ndarray, sparse matrix} of shape (n_samples, n_classes)

Target values. All sparse matrices are converted to CSR before inverse transformation.

解决方案 #

确实需要将一维数组重塑为**(1, 4975)**的二维形状，因为inverse_transform要求输入必须是「样本数×类别数」的二维结构，而reviewerIDs[1]是一维数组（仅代表单个样本的类别编码）。

以下是几种可行的重塑方式：

• 方法1：使用reshape

# 重塑为(1, 4975)，-1自动匹配剩余维度
single_sample = reviewerIDs[1].reshape(1, -1)
reviewerLe.inverse_transform(single_sample)

• 方法2：使用np.expand_dims

import numpy as np
# 在第0轴添加维度，将一维转为二维
single_sample = np.expand_dims(reviewerIDs[1], axis=0)
reviewerLe.inverse_transform(single_sample)

• 批量处理少量样本
  如果要处理多个样本（比如前3个），直接切片即可，切片结果本身就是二维数组：

reviewerLe.inverse_transform(reviewerIDs[:3])

内容的提问来源于stack exchange，提问作者Dots