考虑以下我正在尝试进行预测的示例表格
如你所见，我混合使用了数值特征(Num1 & Num2)和分类特征(Cat1 & Cat2)来预测一个值，并且我使用随机森林回归来实现这一点
在读取文件后，我使用LabelEncoder将分类特征转换为数值特征，像这样
category_col =['Cat1', 'Cat2'] labelEncoder = preprocessing.LabelEncoder()# 创建每个分类标签的数值映射mapping_dict={}for col in category_col: df[col] = labelEncoder.fit_transform(df[col]) le_name_mapping = dict(zip(labelEncoder.classes_, labelEncoder.transform(labelEncoder.classes_))) mapping_dict[col]=le_name_mapping转换完成后，我将数据框分割成训练集和测试集，并进行预测，像这样
train_features, test_features, train_labels, test_labels = train_test_split(df, labels, test_size = 0.30)rf = RandomForestRegressor(n_estimators = 1000)rf.fit(train_features, train_labels)predictions = rf.predict(test_features)我的问题是，如何将Cat1和Cat2的数值转换回原始分类，以便我可以像这样导出预测结果
我知道需要使用labelEncoder.inverse_transform，但是我似乎无法正确使用语法来恢复分类文本以匹配结果。
任何帮助都将不胜感激！
回答：
基于你已有的代码的快速解决方案：
# 反转你创建的映射字典inv_mapping_dict = {cat: {v: k for k, v in map_dict.items()} for cat, map_dict in mapping_dict.items()}# 假设`predictions`是你得到的数据框。# 使用反转的映射字典替换预测结果。predictions.replace(inv_mapping_dict)对于一种更优雅的实现方式，你也可以在创建初始映射字典时参考这里的答案：
你可以创建一个跨列的LabelEncoders字典，然后在开始和结束时一次性对所有列应用fit和inverse操作，而不是使用for循环在你的分类列上创建映射字典。
