多标签分类去除classes_中多余空格、逗号类别的方法

出现多余标签的核心原因有两个：

1. 你当前使用的LabelBinarizer是单标签多分类场景的二值化工具，不适用于多标签分类任务
2. 数据集的tags列原始值为字符串格式（例如"1, 2"、" 3 "这类带逗号、空格的拼接字符串），没有预先解析为标签列表，二值化工具会把单个字符、符号识别为独立标签，因此混入了空格、逗号等无效类别。

• 第一步：预处理标签列，将字符串格式的标签清洗为仅含有效类别的列表

def parse_tags(tag_str):
    # 按逗号分割标签，去除每个标签前后的空白字符
    tag_list = [t.strip() for t in str(tag_str).split(',')]
    # 仅保留1/2/3/4四类有效标签，过滤空值和无效值
    return [t for t in tag_list if t in {'1','2','3','4'}]

# 对标签列做清洗
df['tags'] = df['tags'].apply(parse_tags)
y = df['tags']

• 第二步：使用MultiLabelBinarizer做多标签二值化，可手动指定有效类别从根源避免混入无效标签

# 手动指定classes为你需要的4个标签，不需要再额外过滤
multilabel = MultiLabelBinarizer(classes=['1','2','3','4'])
y = multilabel.fit_transform(y)
# 此时输出的classes仅会包含['1','2','3','4']
print(multilabel.classes_)

原来的代码中你直接用了LabelBinarizer输出的y做数据集分割，替换为上述处理后的二值化y即可，其余模型训练、评估逻辑不需要调整。

内容的提问来源于stack exchange，提问作者hideonbush