将get_feature_names添加到ColumnTransformer管道

时间:2018-11-19 20:40:56

标签: python scikit-learn

我正在尝试创建一个sklearn.compose.ColumnTransformer管道来转换分类和连续输入数据:

import pandas as pd

from sklearn.base import TransformerMixin, BaseEstimator
from sklearn.preprocessing import OneHotEncoder, FunctionTransformer
from sklearn.pipeline import Pipeline
from sklearn.compose import ColumnTransformer, make_column_transformer
from sklearn.impute import SimpleImputer

df = pd.DataFrame(
    {
            'a': [1, 'a', 1, np.nan, 'b'],
            'b': [1, 2, 3, 4, 5],
            'c': list('abcde'),
            'd': list('aaabb'),
            'e': [0, 1, 1, 0, 1],
    }
)

for col in df.select_dtypes('object'):
    df[col] = df[col].astype(str)

categorical_columns = list('acd')
continuous_columns = list('be')

categorical_transformer = OneHotEncoder(sparse=False, handle_unknown='ignore')
continuous_transformer = 'passthrough'

column_transformer = ColumnTransformer(
    [
        ('categorical', categorical_transformer, categorical_columns),
        ('continuous', continuous_transformer, continuous_columns),
    ]
    ,
    sparse_threshold=0.,
    n_jobs=-1
)

X = column_transformer.fit_transform(df)

我想访问此转换管道创建的功能名称,所以我尝试这样做:

column_transformer.get_feature_names()

哪个加薪:

NotImplementedError: get_feature_names is not yet supported when using a 'passthrough' transformer.

由于从技术上讲我没有对列be做任何事情,因此我可以在对所有其他功能进行一次热编码之后将它们附加到X上,但是我可以使用scikit基类之一(例如TransformerMixinBaseEstimatorFunctionTransformer)添加到此管道中,这样我可以掌握连续功能以非常友好的方式命名

也许是这样的

class PassthroughTransformer(FunctionTransformer, BaseEstimator):
    def fit(self):
        return self
    def transform(self, X)
        self.X = X
        return X
    def get_feature_names(self):
        return self.X.values.tolist()

continuous_transformer = PassthroughTransformer()

column_transformer = ColumnTransformer(
    [
        ('categorical', categorical_transformer, categorical_columns),
        ('continuous', continuous_transformer, continuous_columns),
    ]
    ,
    sparse_threshold=0.,
    n_jobs=-1
)

X = column_transformer.fit_transform(df)

但这会引发以下异常:

TypeError: Cannot clone object '<__main__.PassthroughTransformer object at 0x1132ddf60>' (type <class '__main__.PassthroughTransformer'>): it does not seem to be a scikit-learn estimator as it does not implement a 'get_params' methods.

1 个答案:

答案 0 :(得分:2)

这里有多个问题:

  1. 由于并行处理而无法克隆对象错误:

    默认情况下,scikit-learn在管道和类似对象(FeatureUnion,ColumnTransformer等)或交叉验证(pickle)中工作时,会克隆(使用cross_val_score)提供的转换器和估计器。 ,GridSearchCV等。

    现在,您已经在n_jobs=-1中指定了ColumnTransformer,这在代码中引入了多处理功能。 Python的内置酸洗不适用于多处理。因此是错误。

    选项

    1. n_jobs = 1设置为不使用多重处理。仍然需要根据第2点和第3点更正代码。

    2. 如果要使用多处理,那么最简单的解决方案是在单独的文件(模块)中定义自定义类,然后将其导入到主文件中。像这样:

    在名为 custom_transformers.py 的同一文件夹中创建一个新文件,其内容为:

    from sklearn.base import TransformerMixin, BaseEstimator
    
    # Changed the base classes here, see Point 3
    class PassthroughTransformer(BaseEstimator, TransformerMixin):
    
        # I corrected the `fit()` method here, it should take X, y as input
        def fit(self, X, y=None):
            return self
    
        def transform(self, X):
            self.X = X
            return X
    
        # I have corrected the output here, See point 2
        def get_feature_names(self):
            return self.X.columns.tolist()
    

    现在在您的主文件中,执行以下操作:

    from custom_transformers import PassthroughTransformer
    

    有关更多信息,请参见以下问题:

  2. 您返回self.X.values.tolist():-

    这里X是熊猫DataFrame,因此X.values.tolist()将返回您指定的列的实际数据,而不是列名。因此,即使您解决了第一个错误,您也会在此遇到错误。改正为:

    return self.X.columns.tolist()
    
  3. 次要)类继承:

    您将PassthroughTransformer定义为:

    PassthroughTransformer(FunctionTransformer, BaseEstimator)
    

    FunctionTransformer已经从BaseEstimator继承了,所以我认为没有必要从BaseEstimator继承。您可以通过以下方式对其进行更改:

    class PassthroughTransformer(FunctionTransformer):
    
                           OR
    # Standard way 
    class PassthroughTransformer(BaseEstimator, TransformerMixin):
    

希望这会有所帮助。