Python 如何为列车和测试集分别标记多列编码

我正在建立一个随机森林模型，在我的训练数据集中有3个分类变量。sklearn RandomForest不允许在模型中使用分类变量

我使用Labelencoder（）在火车集上使用fit_变换将这些变量转换为数值变量，但在测试集上运行变换时出错

from sklearn.preprocessing import LabelEncoder
le = LabelEncoder()
X_train.apply(le.fit_transform)

X_test.apply(le.transform)

我收到以下错误消息：

---

ValueError:（“y包含新标签：[“女性”“男性”]，“发生在索引性别”）

似乎您的

Sex

列中有一个输入错误，其中一个值似乎是

[“女性”“男性”]

而不是

[“女性”，“男性”]

（请注意，在前者中，这两个值不是用逗号分隔的，因此不能作为单独的元素来读取）。请确保在应用

train\u test\u split

或以任何方式分割数据之前先修复该错误。例如，您可以查看

df.Sex.unique（）

（其中

df

是您的数据集），并确保只有期望值

[“男性”、“女性”]

潜在的错误是

LabelEncoder

在

X\u测试中发现了一个在
X\u序列中找不到的值，因此它不知道如何转换它（因为您只在
X\u序列中找到的值上安装
LabelEncoder
）。只有在数据集中存在非常罕见的值时才会发生这种情况（在这种情况下，您可能需要重新考虑数据，或以适当的方式重新处理数据），但如果您想完全避免这种情况，一个可行的选择是在将数据拆分为
训练
和
测试
之前安装
LabelEncoder
。请提供一个解决方案，以便有人能够找出如何重现您的问题并确定解决方案。