使用MultiLabelBinarizer解码时输出顺序错误的技术咨询

我太懂你这个困扰了！之前用MultiLabelBinarizer的时候也踩过这个顺序的坑，咱们来一步步捋清楚：

问题根源 #

MultiLabelBinarizer默认会把所有标签按字典序排序后存到它的classes_属性里，不管你输入时的顺序是什么样的。解码的时候，它是按照这个排序后的classes数组来还原标签的，所以自然和你原始输入的顺序对不上。就像你举的官网例子，输入的['sci-fi', 'thriller', 'comedy']会被按字典序排为['comedy','sci-fi','thriller']，解码后自然就用这个顺序输出了。

解决方案 #

想要保留原始输入的标签顺序，有两种常用的办法：

1. 提前指定标签顺序（适合已知所有标签的场景） #

如果你能提前知道所有可能出现的标签，直接在初始化MultiLabelBinarizer的时候用classes参数指定你想要的顺序就行，这样它就不会自动排序了。比如针对你给的官网示例：

from sklearn.preprocessing import MultiLabelBinarizer
# 直接指定和原始输入一致的标签顺序
mlb = MultiLabelBinarizer(classes=['sci-fi', 'thriller', 'comedy'])
encoded = mlb.fit_transform([['sci-fi', 'thriller', 'comedy']])
print(mlb.inverse_transform(encoded))
# 输出结果：[('sci-fi', 'thriller', 'comedy')]

2. 动态收集原始顺序的标签（适合未知所有标签的场景） #

如果你的标签是动态生成的，没办法提前列全所有可能的标签，可以先遍历所有样本，收集所有唯一标签，并且保留它们第一次出现的顺序，再把这个顺序传给classes参数。比如处理你给出的DataFrame（修正了疑似打错的列名）：

from sklearn.preprocessing import MultiLabelBinarizer
import pandas as pd

# 构造你的数据集
df = pd.DataFrame({
    'col1': ['Anton', 'Leila', 'Arjun'],
    'col2': [230, 890, 688],
    'col3': ['DR', 'DR', 'ENG']
})
# 假设每行的标签是col1和col3组成的列表（可根据你的实际需求调整）
samples = df.apply(lambda row: [row['col1'], row['col3']], axis=1).tolist()

# 收集所有唯一标签，保留首次出现的顺序
unique_labels = []
seen_labels = set()
for sample in samples:
    for label in sample:
        if label not in seen_labels:
            seen_labels.add(label)
            unique_labels.append(label)

# 用这个原始顺序初始化编码器
mlb = MultiLabelBinarizer(classes=unique_labels)
encoded = mlb.fit_transform(samples)
# 解码后就能得到和原始输入一致的顺序
decoded_samples = mlb.inverse_transform(encoded)
print(decoded_samples)

这样处理后，解码出来的标签顺序就和你输入时的顺序完全一致啦～

内容的提问来源于stack exchange，提问作者Pro