Hugging Face ClassLabel.str2int 怎样把类别名称映射为标签编号
在 Hugging Face Datasets 里,ClassLabel.str2int 用来把类别名称转换成模型或数据集字段使用的整数标签。最关键的一点是:编号不是按字母排序生成的,而是由 ClassLabel 中 names 的顺序决定。传入一个字符串时返回一个整数;传入字符串列表等可迭代对象时返回整数列表。
官方文档地址:https://huggingface.co/docs/datasets/package_reference/main_classes
ClassLabel(names=["negative", "neutral", "positive"])会建立 0、1、2 三个编号,因此str2int("positive")得到 2。要保证训练、评估和推理一致,必须把这份名称顺序当作标签映射契约。
先确认 names 才能确认编号
ClassLabel 是整数类标签特征。它可以用 names、names_file 或 num_classes 定义类别;当提供名称列表时,列表位置就是类别编号。比如下面的定义中,negative 对应 0,neutral 对应 1,positive 对应 2。
| 名称 | 编号 | 说明 |
|---|---|---|
negative | 0 | 列表第一个名称 |
neutral | 1 | 列表第二个名称 |
positive | 2 | 列表第三个名称 |

最小写法:单个名称和一组名称分别处理
最常用的调用方式是从数据集特征中取出 ClassLabel,再调用 str2int。单个字符串会得到单个 int;列表、元组或其他可迭代输入会得到对应顺序的整数列表。
from datasets import ClassLabel
label_feature = ClassLabel(names=["negative", "neutral", "positive"])
# 单个字符串返回一个整数,适合转换单条样本的类别名。
positive_id = label_feature.str2int("positive")
# 可迭代输入按原顺序返回整数列表,适合批量预处理。
batch_ids = label_feature.str2int(["negative", "positive", "neutral"])
print(positive_id) # 2
print(batch_ids) # [0, 2, 1]
这里不要把 str2int 当作重新训练编码器。它只读取已经定义好的名称表并做转换;如果名称顺序变了,得到的编号含义也会变。
输入边界:空白、数字字符串和非法名称
实际数据经常来自 CSV、JSON 或人工标注,类别字段可能带有首尾空格。当前实现会先尝试原字符串,再尝试去掉首尾空白;如果输入本身是可解析的数字字符串,也会按编号处理,但编号必须落在合法范围内。
from datasets import ClassLabel
labels = ClassLabel(names=["negative", "neutral", "positive"])
# 首尾空白会进入去空白后的名称匹配分支。
neutral_id = labels.str2int(" neutral ")
# 数字字符串可按已有编号解析,但仍受类别数量限制。
positive_id = labels.str2int("2")
try:
# 不存在的名称无法建立映射,调用方应保留原始值以便排查数据。
labels.str2int("unknown")
except ValueError as exc:
print(f"标签转换失败:{exc}")
这意味着“名称不在 names 中”与“编号超出类别范围”都不能静默变成新的类别。批量转换时,只要其中一个元素无法解析,整个列表推导过程就会抛出 ValueError,因此应在进入转换前决定是拒绝脏数据,还是先做显式清洗。

放进数据集预处理时固定映射契约
如果标签名称来自外部文件,建议在预处理入口只创建一次 ClassLabel,并把名称列表作为配置或数据集特征的一部分保存。这样训练集、验证集和推理服务都读取同一份顺序,不会因为某个切分缺少类别而重新编号。
from datasets import ClassLabel
names = ["negative", "neutral", "positive"]
label_feature = ClassLabel(names=names)
def encode_record(record):
# 统一使用同一份名称表,避免不同数据切分产生不同编号。
record["label_id"] = label_feature.str2int(record["label"])
return record
# 实际项目中可把 encode_record 交给 Dataset.map 使用。
example = encode_record({"text": "a sample", "label": "positive"})
print(example["label_id"]) # 2
这个边界很重要:str2int 负责“名称到编号”,不负责校验文本内容、推断标签集合或比较两个数据集的语义。若要保证标签契约没有漂移,应在配置层保存名称列表,并在加载新数据时显式检查未知名称。
速查表
| 目标 | 写法 | 结果 |
|---|---|---|
| 转换单个名称 | feature.str2int("positive") | 返回 int |
| 批量转换名称 | feature.str2int(names) | 返回整数列表 |
| 确认编号来源 | 查看 feature.names | 列表位置对应编号 |
| 处理未知名称 | 捕获 ValueError | 拒绝或清洗输入 |
记住三件事即可:names 的顺序决定编号;单字符串和可迭代输入的返回形态不同;未知或越界输入要显式处理。这样使用 ClassLabel.str2int 时,类别名称和标签编号之间的关系就能保持可追溯。
相关问题
str2int 能一次传入多个类别名吗? 可以,传入列表、元组等可迭代对象会按输入顺序返回整数列表。
类别名带首尾空格会怎样? 当前实现会尝试去掉首尾空白后再匹配,但业务上仍建议在数据清洗阶段统一格式。
想把编号转回类别名怎么办? 使用同一个 ClassLabel 的 int2str,不要自行维护另一份反向字典。
Go go/build.Package.IsCommand 怎样判断构建包是不是 main 命令
- 上一篇
- Go go/build.Package.IsCommand 怎样判断构建包是不是 main 命令
- 下一篇
- PHP ReflectionFunctionAbstract.getExtensionName 怎样查询函数所属扩展名称
-
- 科技周边 · 人工智能 | 1小时前 | 人工智能 · PyTorch Tensor.is_contiguous memory_format
- PyTorch Tensor.is_contiguous 怎样检查张量在指定内存格式下是否连续
- 170浏览 收藏
-
- 科技周边 · 人工智能 | 2小时前 | python · 人工智能 · Transformers ModelOutput to_tuple 模型输出
- Transformers ModelOutput.to_tuple 怎样把非空模型输出字段转换为元组
- 192浏览 收藏
-
- 科技周边 · 人工智能 | 3小时前 | 人工智能 · Transformers word_ids BatchEncoding 子词对齐
- Transformers BatchEncoding.word_ids 怎样关联子词与原始单词位置
- 462浏览 收藏
-
- 科技周边 · 人工智能 | 4小时前 |
- Hugging Face ClassLabel.int2str 怎样把标签编号还原为类别名称
- 175浏览 收藏
-
- 科技周边 · 人工智能 | 4小时前 | python · 人工智能 · Hugging Face Datasets Dataset.split NamedSplit 数据集切分
- Hugging Face Dataset.split 怎样识别数据集对象对应的切分名称
- 476浏览 收藏
-
- 科技周边 · 人工智能 | 6小时前 |
- PyTorch torch.get_default_dtype 怎样读取新建浮点张量默认使用的数据类型
- 316浏览 收藏
-
- 科技周边 · 人工智能 | 15小时前 |
- FAISS 向量索引选择与召回精度的对比方法
- 212浏览 收藏
-
- 科技周边 · 人工智能 | 15小时前 | python · FAISS IndexIDMap2 remove_ids 向量删除 自定义ID
- FAISS IndexIDMap2 怎样按自定义 ID 删除向量
- 334浏览 收藏
-
- 科技周边 · 人工智能 | 15小时前 | 人工智能 · GPU CPU embedding Sentence Transformers multi-process 设备分配
- Sentence Transformers 多进程编码任务的设备分配方法
- 301浏览 收藏
-
- 科技周边 · 人工智能 | 15小时前 | python · 人工智能 · skip take Hugging Face Datasets streaming IterableDataset
- Hugging Face Datasets IterableDataset 怎样跳过前 N 条样本
- 294浏览 收藏
-
- 前端进阶之JavaScript设计模式
- 设计模式是开发人员在软件开发过程中面临一般问题时的解决方案,代表了最佳的实践。本课程的主打内容包括JS常见设计模式以及具体应用场景,打造一站式知识长龙服务,适合有JS基础的同学学习。
- 543次学习
-
- GO语言核心编程课程
- 本课程采用真实案例,全面具体可落地,从理论到实践,一步一步将GO核心编程技术、编程思想、底层实现融会贯通,使学习者贴近时代脉搏,做IT互联网时代的弄潮儿。
- 516次学习
-
- 简单聊聊mysql8与网络通信
- 如有问题加微信:Le-studyg;在课程中,我们将首先介绍MySQL8的新特性,包括性能优化、安全增强、新数据类型等,帮助学生快速熟悉MySQL8的最新功能。接着,我们将深入解析MySQL的网络通信机制,包括协议、连接管理、数据传输等,让
- 500次学习
-
- JavaScript正则表达式基础与实战
- 在任何一门编程语言中,正则表达式,都是一项重要的知识,它提供了高效的字符串匹配与捕获机制,可以极大的简化程序设计。
- 487次学习
-
- 从零制作响应式网站—Grid布局
- 本系列教程将展示从零制作一个假想的网络科技公司官网,分为导航,轮播,关于我们,成功案例,服务流程,团队介绍,数据部分,公司动态,底部信息等内容区块。网站整体采用CSSGrid布局,支持响应式,有流畅过渡和展现动画。
- 485次学习
-
- PubMedQA
- 深入了解PubMedQA生物医学问答数据集,涵盖其核心功能、使用方法及在临床决策、药物研发等场景的应用,助力提升NLP模型性能。
- 1095次使用
-
- H2O EvalGPT
- H2O EvalGPT是H2O.ai推出的开源LLM评估平台,提供详细的大模型性能排行榜、行业特定基准测试及A/B测试功能,助您快速选择最适合项目的高性能大语言模型。
- 1092次使用
-
- LMArena
- LMArena是加州大学伯克利分校推出的AI模型匿名评测平台。通过盲测投票机制,用户可对比不同大模型回答并生成实时排行榜,助力开发者优化模型及用户选择最佳AI工具。
- 1256次使用
-
- HELM
- 深入了解斯坦福推出的HELM(Holistic Evaluation of Language Models)大模型评测体系。本文解析其核心功能、安装配置步骤及应用场景,涵盖准确性、公平性、鲁棒性等多维度指标,助力开发者全面优化语言模型性能。
- 1197次使用
-
- MMBench
- MMBench是由上海人工智能实验室等机构联合推出的多模态基准测试平台,提供细粒度能力评估、大规模数据集及VLMEvalKit工具。本文详细介绍其核心功能、安装使用方法及应用场景,助力开发者全面评估多模态模型性能。
- 1046次使用
-
- CodeGeeX for Jetbrains IDEs正式上线!
- 2023-01-17 284浏览
-
- 技术阿里云实现ocr批量图片和pdf文件表格图片转换excel文档/支持票据图片提取/普通图片文字提取处理
- 2023-01-18 387浏览
-
- 直播预告|FeatureStore Meetup V2
- 2023-01-10 328浏览
-
- 深入浅出特征工程 – 基于 OpenMLDB 的实践指南(上)
- 2023-02-25 426浏览
-
- 开源机器学习数据库OpenMLDB v0.4.0产品介绍
- 2023-01-10 147浏览

