Question

我有这3个数据框：

df_train cortado:____________________ 
    SK_ID_CURR  TARGET  NAME_CONTRACT_TYPE_Cash loans  \
0      100002       1                              1   
1      100003       0                              1   
2      100004       0                              0   
3      100006       0                              1   
4      100007       0                              1   

   NAME_CONTRACT_TYPE_Revolving loans  CODE_GENDER_F  CODE_GENDER_M  
0                                   0              0              1  
1                                   0              1              0  
2                                   1              0              1  
3                                   0              1              0  
4                                   0              0              1  

df_bureau cortado:____________________ 
    SK_ID_CURR  SK_ID_BUREAU  CREDIT_ACTIVE_Active
0      100002       5714464                     1
1      100002       5714465                     1
2      215354       5714466                     1
3      215354       5714467                     1
4      215354       5714468                     1

bureau_balance cortado 3:____________________ 
    SK_ID_BUREAU  MONTHS_BALANCE  STATUS_C
0       5715448               0         1
1       5715448              -1         1
2       5715448              -2         1
3       5715448              -3         1
4       5715448              -4         1

这是我正在尝试运行以进行功能综合的脚本：

entities = {
    "train"          : (df_train,         "SK_ID_CURR"),
    "bureau"         : (df_bureau,        "SK_ID_BUREAU"),
    "bureau_balance" : (df_bureau_balance,"MONTHS_BALANCE", "STATUS", "SK_ID_BUREAU")                       , 
    }

relationships = [
    ("bureau", "SK_ID_BUREAU", "bureau_balance", "SK_ID_BUREAU"),
    ("train", "SK_ID_CURR", "bureau", "SK_ID_CURR")
             ]

feature_matrix_customers, features_defs = ft.dfs(entities=entities,
                                             relationships=relationships,
                                             target_entity="train"
                                             )

但是，一旦我引入“状态”列，就会发生此错误： TypeError：“ str”对象不支持项目分配

如果我不输入“ STATUS”列，那么数据框的几行就可以了。当行数增加时（仅将STATUS作为键可以解决该问题），将发生其他错误： AssertionError：索引在数据框（实体Bureau_balance）上不是唯一的

提前谢谢！

Answer 1

您是对的，因为数据框需要唯一索引才能成为实体。一个简单的选择是使用

向df_bureau_balance添加唯一索引

df_bureau_balance.reset_index(inplace = True)

然后创建实体：

entities = {
    "train"          : (df_train,         "SK_ID_CURR"),
    "bureau"         : (df_bureau,        "SK_ID_BUREAU"),
    "bureau_balance" : (df_bureau_balance, "index")
    }

一个更好的选择是use entitysets to represent your data。当我们从df_bureau_balance创建实体时，由于它没有唯一的索引，因此我们传入make_index = True和该索引的名称（可以是任何名称，只要它尚未在索引列中数据。）其余部分与您的工作非常相似，只是语法略有不同！这是一个完整的工作示例：

# Create the entityset
es = ft.EntitySet('customers')

# Add the entities to the entityset
es = es.entity_from_dataframe('train', df_train, index = 'SK_ID_CURR')
es = es.entity_from_dataframe('bureau', df_bureau, index = 'SK_ID_BUREAU')
es = es.entity_from_dataframe('bureau_balance', df_bureau_balance, 
                               make_index = True, index = 'bureau_balance_index')

# Define the relationships
r_train_bureau = ft.Relationship(es['train']['SK_ID_CURR'], es['bureau']['SK_ID_CURR'])
r_bureau_balance = ft.Relationship(es['bureau']['SK_ID_BUREAU'], 
                                   es['bureau_balance']['SK_ID_BUREAU'])

# Add the relationships
es = es.add_relationships([r_train_bureau, r_bureau_balance])

# Deep feature synthesis
feature_matrix_customers, feature_defs = ft.dfs(entityset=es, target_entity = 'train')

实体集可帮助您以单一结构跟踪所有数据！ Featuretools documentation有助于掌握使用实体集的基础知识，我建议您阅读一下。

Answer 2

caseWestern的答案是在Featuretools中创建EntitySet的推荐方法。

也就是说，您看到的错误是因为Featuretools期望实体的4个值是变量类型为字典dict [str-> Variable]的地方。目前，您只传递第4个参数的字符串，因此Featuretools在尝试添加条目时失败，因为它实际上不是字典。

您可以查看documentation for Entity Set以获得更多信息。

在Featuretools中创建实体集错误TypeError：'str'对象不支持项目分配

2 个答案: