对于以下pandas DataFrame df
,我想将type
列转换为OneHotEncoding,并使用字典word
将word2vec
列转换为其向量表示。然后我想用count
列连接两个变换后的向量,以形成分类的最终特征。
>>> df
word type count
0 apple A 4
1 cat B 3
2 mountain C 1
>>> df.dtypes
word object
type category
count int64
>>> word2vec
{'apple': [0.1, -0.2, 0.3], 'cat': [0.2, 0.2, 0.3], 'mountain': [0.4, -0.2, 0.3]}
我定义了自定义Transformer
,并使用FeatureUnion
来连接这些功能。
from sklearn.base import BaseEstimator, TransformerMixin
from sklearn.pipeline import Pipeline, FeatureUnion
from sklearn.preprocessing import OneHotEncoder
class w2vTransformer(TransformerMixin):
def __init__(self,word2vec):
self.word2vec = word2vec
def fit(self,x, y=None):
return self
def wv(self, w):
return self.word2vec[w] if w in self.word2vec else [0, 0, 0]
def transform(self, X, y=None):
return df['word'].apply(self.wv)
pipeline = Pipeline([
('features', FeatureUnion(transformer_list=[
# Part 1: get integer column
('numericals', Pipeline([
('selector', TypeSelector(np.number)),
])),
# Part 2: get category column and its onehotencoding
('categoricals', Pipeline([
('selector', TypeSelector('category')),
('labeler', StringIndexer()),
('encoder', OneHotEncoder(handle_unknown='ignore')),
])),
# Part 3: transform word to its embedding
('word2vec', Pipeline([
('w2v', w2vTransformer(word2vec)),
]))
])),
])
当我运行pipeline.fit_transform(df)
时,我收到了错误:blocks[0,:] has incompatible row dimensions. Got blocks[0,2].shape[0] == 1, expected 3.
但是,如果我从管道删除 word2vec Transformer(第3部分),管道(Part1 1 + Part 2)工作正常。
>>> pipeline_no_word2vec.fit_transform(df).todense()
matrix([[4., 1., 0., 0.],
[3., 0., 1., 0.],
[1., 0., 0., 1.]])
如果我只保留管道中的w2v变压器,它也可以工作。
>>> pipeline_only_word2vec.fit_transform(df)
array([list([0.1, -0.2, 0.3]), list([0.2, 0.2, 0.3]),
list([0.4, -0.2, 0.3])], dtype=object)
我的猜测是我的w2vTransformer
课程有问题,但不知道如何修复它。请帮忙。
答案 0 :(得分:1)
此错误是由于FeatureUnion期望每个部分都有一个二维数组。
现在,FeatureUnion的前两部分: - 'numericals'
和'categoricals'
正确发送形状的二维数据(n_samples,n_features)。
n_samples
= 3。 n_features
将取决于各个部分(例如OneHotEncoder将在第二部分中更改它们,但在第一部分中将为1)。
但第三部分'word2vec'
返回一个具有1-d形状(3,)
的pandas.Series对象。 FeatureUnion默认采用这个形状(1,3),因此抱怨它与其他块不匹配。
所以你需要纠正这种形状。
现在即使你只是在最后做reshape()
并将其更改为shape(3,1),你的代码也不会运行,因为该数组的内部内容是来自word2vec dict的列表,未正确转换为二维数组。相反,它将成为一系列列表。
更改w2vTransformer以更正错误:
class w2vTransformer(TransformerMixin):
...
...
def transform(self, X, y=None):
return np.array([np.array(vv) for vv in X['word'].apply(self.wv)])
之后,管道将运行。