Python中Label Encoding逆变换报错：未见过标签问题求助

报错原因 #

当前调用inverse_transform的LabelEncoder实例，其classes_对应的编码范围（0到N-1，N为类别数量），与你传入的df['model']中的数值不匹配——你的df['model']包含6到229的数值，但该LabelEncoder仅能识别0到5的编码值，因此判定这些为“未见过的标签”。

常见触发场景：

• 执行fit_transform后，重新初始化了LabelEncoder实例，或用该实例fit了其他更少类别的数据，导致classes_被覆盖；
• df['model']被意外还原为原始数值类别（而非LabelEncoder编码后的0、1、2...序列）。

解决方案 #

1. 确保编码与逆编码使用同一LabelEncoder实例 #

严格复用同一个实例完成编码和逆变换，避免中途重新初始化：

from sklearn.preprocessing import LabelEncoder
import pandas as pd

# 仅初始化一次LabelEncoder
labelencoder = LabelEncoder()

# 备份原始数据（可选，但能避免误操作覆盖）
original_model = df['model'].copy()

# 执行编码并赋值回DataFrame
df['model'] = labelencoder.fit_transform(original_model)

# 用同一个实例执行逆变换
original_labels = labelencoder.inverse_transform(df['model'])

original_labels_df = pd.DataFrame({'model': original_labels})

2. 验证数据与编码器状态 #

逆变换前先排查数据和编码器是否匹配：

# 查看编码器识别的类别数量
print("LabelEncoder类别数量：", len(labelencoder.classes_))
# 查看当前df['model']的数值范围
print("df['model']数值范围：", df['model'].min(), "~", df['model'].max())

若数值范围超出0到len(labelencoder.classes_)-1，说明数据或编码器被意外修改，需回溯代码修正。

3. 针对数值型分类特征的注意事项 #

如果model列原本就是数值型分类（如6、7为类别ID），LabelEncoder会将这些数值当作独立类别映射为0开始的连续整数。逆变换时必须传入编码后的0、1、2...序列，而非原始的数值类别。

内容的提问来源于stack exchange，提问作者kim seol