在处理文本数据时，我理解需要将文本标签编码成某种数值表示（例如，使用 LabelEncoder、OneHotEncoder 等）。

但是，我的疑问是，当你使用一些特征提取类（例如 TfidfVectorizer、CountVectorizer 等）时，是否需要显式地执行这一步，还是这些类会在后台自动对标签进行编码？

如果确实需要自己单独对标签进行编码，你能否在 Pipeline 中执行这一步（如下的示例）

    pipeline = Pipeline(steps=[        ('tfidf', TfidfVectorizer()),        ('sgd', SGDClassifier())    ])

或者你需要在使用管道之前先对标签进行编码，因为管道期望 fit() 和 transform() 数据（而不是标签）？

回答：

请查看 scikit-learn 词汇表中关于 transform 的术语：

在转换器中，将输入，通常只有 X，转换到某个转换空间（通常记为 Xt）。输出是一个数组或稀疏矩阵，长度为 n_samples，且列数在拟合后固定。

事实上，几乎所有转换器都只转换特征。这对 TfidfVectorizer 和 CountVectorizer 同样适用。如果有疑问，你总是可以检查转换函数的返回类型（例如 CountVectorizer 的 fit_transform 方法）。

当你在一个管道中组合多个转换器时，情况也是如此。这在其 用户指南 中有说明：

转换器通常与分类器、回归器或其他估计器结合使用，以构建一个复合估计器。最常用的工具是 Pipeline。Pipeline 通常与 FeatureUnion 结合使用，后者将转换器的输出连接成一个复合特征空间。TransformedTargetRegressor 处理目标的转换（例如对 y 进行对数变换）。相比之下，Pipeline 只转换观测数据（X）。

因此，总的来说，你通常需要单独处理标签，并且在拟合估计器/管道之前进行处理。