MultiLabelBinarizer异常：识别字符而非标签条目问题求助

我的DataFrame中tags列是逗号分隔的多标签集合，执行代码后出现异常：

数据列展示 #

y = df['tags']
y

输出：

0       Brand Design,Website Development,WordPress Des...
1       Motion Graphics,Video Editing,Graphic Design,L...
2       Business Proposal Writing,Content Writing,Copy...
3       Content Writing,Article Writing,Social Media M...
4                  PHP,React native,Laravel Framework,C#]
                              ...                        
2995    Ad Design,Adobe Illustrator,Adobe Photoshop,Co...
2996    Administrative Support,Accounting Executive In...
2997    Administrative Support,Business Analytics,Comp...
2998    .NET Development,AngularJS,ASP.NET MVC,Automat...
2999        3D Animation,2D Design,3D Design,3D Modeling]
Name: tags, Length: 3000, dtype: object

初始化与转换代码 #

multilabel = MultiLabelBinarizer()    
y = multilabel.fit_transform(df['tags'])
y

输出：

array([[1, 0, 0, ..., 0, 0, 0],
       [1, 0, 0, ..., 0, 0, 0],
       [1, 0, 0, ..., 0, 1, 0],
       ...,
       [1, 0, 0, ..., 0, 1, 0],
       [1, 0, 0, ..., 0, 0, 0],
       [1, 0, 0, ..., 0, 0, 0]])

异常现象 #

调用multilabel.classes_时，返回的是单个字符而非预期的标签条目：

multilabel.classes_

输出：

array([' ', '!', '#', '&', "'", '(', ')', '+', ',', '-', '.', '/', '0',
       '1', '2', '3', '5', 'A', 'B', 'C', 'D', 'E', 'F', 'G', 'H', 'I',
       'J', 'K', 'L', 'M', 'N', 'O', 'P', 'Q', 'R', 'S', 'T', 'U', 'V',
       'W', 'X', 'Y', 'Z', '\\', ']', 'a', 'b', 'c', 'd', 'e', 'f', 'g',
       'h', 'i', 'j', 'k', 'l', 'm', 'n', 'o', 'p', 'q', 'r', 's', 't',
       'u', 'v', 'w', 'x', 'y', 'z'], dtype=object)

原因 #

MultiLabelBinarizer的fit_transform方法要求输入是嵌套的可迭代对象（比如每个元素是一个标签列表）。直接传入字符串列时，它会把每个字符串当作字符的迭代器，因此拆分出了单个字符。

修复步骤 #

先将tags列的每个逗号分隔字符串转换为标签列表，同时清理数据中的多余字符，再传入MultiLabelBinarizer：

# 清理末尾多余的]，再按逗号拆分字符串为标签列表
df['tags_clean'] = df['tags'].str.replace(r'\]$', '', regex=True).str.split(',')

# 初始化并执行转换
multilabel = MultiLabelBinarizer()    
y = multilabel.fit_transform(df['tags_clean'])

# 查看正确的标签集合
print(multilabel.classes_)

说明 #

• str.split(',')将每个逗号分隔的字符串拆分为标签列表，例如"PHP,React native"会变成["PHP", "React native"]
• str.replace(r'\]$', '', regex=True)用于清理部分条目末尾多余的]（如第4、2999行），避免无效字符混入标签

执行后，multilabel.classes_会返回所有真实的标签条目，而非单个字符。

内容的提问来源于stack exchange，提问作者Tushar