Question

在sklearn管道中使用make_column_transformer（）时，尝试使用CountVectorizer时遇到错误。

我的DataFrame有两列，'desc-title'和'SPchangeHigh'。这是两行的代码段：

features = pd.DataFrame([["T. Rowe Price sells most of its Tesla shares", .002152],
                         ["Gannett to retain all seats in MNG proxy fight", 0.002152]],
                        columns=["desc-title", "SPchangeHigh"])

我能够毫无问题地运行以下管道：

preprocess = make_column_transformer(
    (StandardScaler(),['SPchangeHigh']),
    ( OneHotEncoder(),['desc-title'])
)
preprocess.fit_transform(features.head(2))

但是，当我用 CountVectorizer（tokenizer = tokenize）替换 OneHotEncoder（）时，它将失败：

preprocess = make_column_transformer(
    (StandardScaler(),['SPchangeHigh']),
    ( CountVectorizer(tokenizer=tokenize),['desc-title'])
)
preprocess.fit_transform(features.head(2))

我得到的错误是：

ValueError                                Traceback (most recent call last)
<ipython-input-71-d77f136b9586> in <module>()
      3     ( CountVectorizer(tokenizer=tokenize),['desc-title'])
      4 )
----> 5 preprocess.fit_transform(features.head(2))

C:\anaconda3\lib\site-packages\sklearn\compose\_column_transformer.py in fit_transform(self, X, y)
    488         self._validate_output(Xs)
    489 
--> 490         return self._hstack(list(Xs))
    491 
    492     def transform(self, X):

C:\anaconda3\lib\site-packages\sklearn\compose\_column_transformer.py in _hstack(self, Xs)
    545         else:
    546             Xs = [f.toarray() if sparse.issparse(f) else f for f in Xs]
--> 547             return np.hstack(Xs)
    548 
    549 

C:\anaconda3\lib\site-packages\numpy\core\shape_base.py in hstack(tup)
    338         return _nx.concatenate(arrs, 0)
    339     else:
--> 340         return _nx.concatenate(arrs, 1)
    341 
    342 

ValueError: all the input array dimensions except for the concatenation axis must match exactly

如果有人能帮助我，我会感激不尽。

Answer 1

去掉“ desc-title”周围的括号。您需要一维数组，而不是列向量。

[a-zA-Z_0-9]

Sklearn documentation describes this nuanced specification：

将列选择器指定为“ column”（如   一个简单的字符串）和['column']（作为带有一个元素的列表）是   传递给转换器的数组的形状。在第一   情况下，将传递一维数组，而在第二种情况下   它是一个二维数组，其中只有一列，即一列   向量

...

请注意，某些变压器需要一维输入（   面向标签的标签），而其他一些标签（例如OneHotEncoder或Imputer）   期望二维输入，其形状为[n_samples，n_features]。

ValueError：输入数组尺寸不适用于CountVectorizer（）

1 个答案: