在Scikit-learn中对多列同属性特征执行一致的Label Encoding

这问题我碰到过好多次了，要实现多列中相同取值的编码一致，关键是不能单独对每列训练编码器，而是要让编码器先学习所有列的共同类别集合。下面给你一步步实现：

核心思路 #

我们需要先把所有涉及的列（Origin和Destination）的取值合并，让LabelEncoder学习所有可能的类别，之后再用这个训练好的编码器分别转换每一列，这样就能保证同一个取值在不同列的编码完全一致。

具体实现步骤 #

1. 导入所需库 #

import pandas as pd
from sklearn.preprocessing import LabelEncoder

2. 构造原始数据 #

先把你的数据转换成Pandas DataFrame，方便后续处理：

# 原始数据
data = {
    'Origin': ['China', 'China', 'USA', 'USA', 'USA', 'Russia'],
    'Destination': ['USA', 'Turkey', 'China', 'Turkey', 'Russia', 'China']
}
df = pd.DataFrame(data)

3. 训练统一的LabelEncoder #

合并两列的所有取值，提取唯一类别后训练编码器：

# 合并Origin和Destination的所有值，获取全部唯一类别
all_unique_categories = pd.concat([df['Origin'], df['Destination']]).unique()

# 初始化编码器并拟合所有类别
label_encoder = LabelEncoder()
label_encoder.fit(all_unique_categories)

4. 转换目标列 #

用训练好的编码器分别转换Origin和Destination列：

# 对两列进行编码转换
df['Origin_encoded'] = label_encoder.transform(df['Origin'])
df['Destination_encoded'] = label_encoder.transform(df['Destination'])

5. 查看结果 #

运行以下代码就能得到你想要的统一编码结果：

print(df[['Origin_encoded', 'Destination_encoded']])

输出结果示例：

Origin_encoded  Destination_encoded
0               0                    3
1               0                    2
2               3                    0
3               3                    2
4               3                    1
5               1                    0

（注：编码数字可能和你示例中的略有不同，取决于类别排序，但同一取值的编码在两列是完全一致的）

为什么不能单独编码？ #

如果分别对每列调用LabelEncoder().fit_transform()，每列的编码器是独立训练的。比如Origin列的China可能被编码为0，但Destination列的China可能因为该列的类别顺序不同被编码为其他值，模型会把这两个相同的取值当成不同的特征，完全不符合我们的需求。

内容的提问来源于stack exchange，提问作者Desmond Momanyi