LabelEncoder Reihenfolge des Sitzes für eine Pandas df

Question

Ich bin passend ein Scikit-Learn LabelEncoder auf einer Säule in einem Pandas df.

Wie wird die Reihenfolge, in der die aufgetretenen Strings den ganzen Zahlen zugeordnet sind, bestimmt? Ist es deterministisch? wichtiger

Mehr kann ich diese Bestellung angeben?

import pandas as pd 
from sklearn import preprocessing 

df = pd.DataFrame(data=["first", "second", "third", "fourth"], columns=['x']) 
le = preprocessing.LabelEncoder() 
le.fit(df['x']) 
print list(le.classes_) 
### this prints ['first', 'fourth', 'second', 'third'] 
encoded = le.transform(["first", "second", "third", "fourth"]) 
print encoded 
### this prints [0 2 3 1] 

würde ich erwarten, le.classes_["first", "second", "third", "fourth"] und dann encoded sein [0 1 2 3] zu sein, da dies die Reihenfolge, in der die Zeichenfolge in der Spalte angezeigt. Kann das gemacht werden?

Answer 1

Es ist in Art Reihenfolge. Bei Strings erfolgt dies in alphabetischer Reihenfolge. Es gibt keine Dokumentation für diese, aber auf dem Quellcode der Suche nach LabelEncoder.transform wir die Arbeit sehen können, vor allem auf die Funktion delegiert numpy.setdiff1d mit folgenden Dokumentation:

Finden Sie die eingestellte Differenz von zwei Arrays.

Geben Sie die sortierten, eindeutige Werte in ar1 zurück, die nicht in ar2 sind.

(Schwerpunkt meiner).

Beachten Sie, dass da dies nicht dokumentiert ist, es definiert wahrscheinlich Implementierung und kann zwischen den Versionen geändert werden. Es könnte sein, dass nur die Version, die ich angeschaut habe, die Sortierreihenfolge verwendet, und andere Versionen von scikit-learn können dieses Verhalten ändern (indem numpy.setdiff1d nicht verwendet wird).