如何使用scikit-learn组合具有不同尺寸输出的特征

Question

我正在使用带有Pipeline和FeatureUnion的scikit-learn从不同的输入中提取特征。我的数据集中的每个样本（实例）都指的是具有不同长度的文档。我的目标是独立计算每个文档的顶部 tfidf ，但我不断收到此错误消息：

  

ValueError：blocks [0，：]具有不兼容的行维度。拿到   blocks [0,1] .shape [0] == 1，预计2000。

2000是训练数据的大小。 这是主要代码：

book_summary= Pipeline([
   ('selector', ItemSelector(key='book')),
   ('tfidf', TfidfVectorizer(analyzer='word', ngram_range(1,3), min_df=1, lowercase=True, stop_words=my_stopword_list, sublinear_tf=True))
])

book_contents= Pipeline([('selector3', book_content_count())]) 

ppl = Pipeline([
    ('feats', FeatureUnion([
         ('book_summary', book_summary),
         ('book_contents', book_contents)])),
    ('clf', SVC(kernel='linear', class_weight='balanced') ) # classifier with cross fold 5
]) 

我写了两个类来处理每个管道功能。我的问题是book_contents管道，它主要处理每个样本并独立返回每本书的TFidf矩阵。

class book_content_count(): 
  def count_contents2(self, bookid):
        book = open('C:/TheCorpus/'+str(int(bookid))+'_book.csv', 'r')       
        book_data = pd.read_csv(book, header=0, delimiter=',', encoding='latin1',error_bad_lines=False,dtype=str)
                      corpus=(str([user_data['text']]).strip('[]')) 
        return corpus

    def transform(self, data_dict, y=None):
        data_dict['bookid'] #from here take the name 
        text=data_dict['bookid'].apply(self.count_contents2)
        vec_pipe= Pipeline([('vec', TfidfVectorizer(min_df = 1,lowercase = False, ngram_range = (1,1), use_idf = True, stop_words='english'))])
        Xtr = vec_pipe.fit_transform(text)
        return Xtr

    def fit(self, x, y=None):
        return self

数据样本（示例）：

title                         Summary                          bookid
The beauty and the beast      is a traditional fairy tale...    10
ocean at the end of the lane  is a 2013 novel by British        11

然后每个id都会引用一个包含这些书籍实际内容的文本文件

我尝试了toarray和reshape功能，但没有运气。知道如何解决这个问题。 感谢

Answer 1

您可以将Neuraxle's Feature Union与需要自己编写的自定义连接器一起使用。连接器是传递给Neuraxle的FeatureUnion的类，用于按您期望的方式将结果合并在一起。

1。导入Neuraxle的课程。

from neuraxle.base import NonFittableMixin, BaseStep
from neuraxle.pipeline import Pipeline
from neuraxle.steps.sklearn import SKLearnWrapper
from neuraxle.union import FeatureUnion

2。通过继承BaseStep来定义自定义类：

class BookContentCount(BaseStep): 

    def transform(self, data_dict, y=None):
        transformed = do_things(...)  # be sure to use SKLearnWrapper if you wrap sklearn items.
        return Xtr

    def fit(self, x, y=None):
        return self

3。创建一个连接器，以您希望的方式加入要素联合的结果：

class CustomJoiner(NonFittableMixin, BaseStep):
    def __init__(self):
        BaseStep.__init__(self)
        NonFittableMixin.__init__(self)

    # def fit: is inherited from `NonFittableMixin` and simply returns self.

    def transform(self, data_inputs):
        # TODO: insert your own concatenation method here.
        result = np.concatenate(data_inputs, axis=-1)
        return result

4。最后，通过将联接器传递给FeatureUnion来创建管道：

book_summary= Pipeline([
    ItemSelector(key='book'),
    TfidfVectorizer(analyzer='word', ngram_range(1,3), min_df=1, lowercase=True, stop_words=my_stopword_list, sublinear_tf=True)
])

p = Pipeline([
    FeatureUnion([
        book_summary,
        BookContentCount()
    ], 
        joiner=CustomJoiner()
    ),
    SVC(kernel='linear', class_weight='balanced')
]) 

注意：如果您希望您的Neuraxle管道重新成为scikit-learn管道，则可以执行p = p.tosklearn()。