以下代码：
from sklearn.preprocessing import LabelBinarizerlb = LabelBinarizer()lb.fit_transform(['yes', 'no', 'no', 'yes'])返回：
array([[1], [0], [0], [1]])然而，我希望每个类别都有一个列：
array([[1, 0], [0, 1], [0, 1], [1, 0]])（我需要这种格式的数据，以便将其提供给在输出层使用softmax函数的神经网络）
当有超过2个类别时，LabelBinarizer 的行为如预期的那样：
from sklearn.preprocessing import LabelBinarizerlb = LabelBinarizer()lb.fit_transform(['yes', 'no', 'no', 'yes', 'maybe'])返回
array([[0, 0, 1], [0, 1, 0], [0, 1, 0], [0, 0, 1], [1, 0, 0]])上面，每个类别都有一列。
当有2个类别时，有没有简单的方法可以实现同样的效果（每个类别一列）？
编辑：基于@[隐藏人名]的回答，我编写了一个类来包装LabelBinarizer，以产生上述所需的行为：http://pastebin.com/UEL2dP62
import numpy as npfrom sklearn.preprocessing import LabelBinarizerclass LabelBinarizer2: def __init__(self): self.lb = LabelBinarizer() def fit(self, X): # 将X转换为数组 X = np.array(X) # 使用LabelBinarizer对象拟合X self.lb.fit(X) # 保存类别 self.classes_ = self.lb.classes_ def fit_transform(self, X): # 将X转换为数组 X = np.array(X) # 使用LabelBinarizer对象拟合并转换X Xlb = self.lb.fit_transform(X) # 保存类别 self.classes_ = self.lb.classes_ if len(self.classes_) == 2: Xlb = np.hstack((Xlb, 1 - Xlb)) return Xlb def transform(self, X): # 将X转换为数组 X = np.array(X) # 使用LabelBinarizer对象转换X Xlb = self.lb.transform(X) if len(self.classes_) == 2: Xlb = np.hstack((Xlb, 1 - Xlb)) return Xlb def inverse_transform(self, Xlb): # 将Xlb转换为数组 Xlb = np.array(Xlb) if len(self.classes_) == 2: X = self.lb.inverse_transform(Xlb[:, 0]) else: X = self.lb.inverse_transform(Xlb) return X编辑2：原来@[隐藏人名]也编写了一个新的LabelBinarizer版本，太棒了！
回答：
我认为没有直接的方法可以做到这一点，特别是如果你想要inverse_transform的话。
但是你可以使用numpy来轻松构建标签
In [18]: import numpy as npIn [19]: from sklearn.preprocessing import LabelBinarizerIn [20]: lb = LabelBinarizer()In [21]: label = lb.fit_transform(['yes', 'no', 'no', 'yes'])In [22]: label = np.hstack((label, 1 - label))In [23]: labelOut[23]:array([[1, 0], [0, 1], [0, 1], [1, 0]])然后你可以通过切片第一列来使用inverse_transform
In [24]: lb.inverse_transform(label[:, 0])Out[24]:array(['yes', 'no', 'no', 'yes'], dtype='<U3')基于上述解决方案，你可以编写一个继承LabelBinarizer的类，这使得二元和多类情况的操作和结果保持一致。
from sklearn.preprocessing import LabelBinarizerimport numpy as npclass MyLabelBinarizer(LabelBinarizer): def transform(self, y): Y = super().transform(y) if self.y_type_ == 'binary': return np.hstack((Y, 1-Y)) else: return Y def inverse_transform(self, Y, threshold=None): if self.y_type_ == 'binary': return super().inverse_transform(Y[:, 0], threshold) else: return super().inverse_transform(Y, threshold)然后
lb = MyLabelBinarizer()label1 = lb.fit_transform(['yes', 'no', 'no', 'yes'])print(label1)print(lb.inverse_transform(label1))label2 = lb.fit_transform(['yes', 'no', 'no', 'yes', 'maybe'])print(label2)print(lb.inverse_transform(label2))得到
[[1 0] [0 1] [0 1] [1 0]]['yes' 'no' 'no' 'yes'][[0 0 1] [0 1 0] [0 1 0] [0 0 1] [1 0 0]]['yes' 'no' 'no' 'yes' 'maybe']