将 scikit-learn (sklearn) 预测添加到 pandas 数据帧

Posted 2023-03-12

【中文标题】将 scikit-learn (sklearn) 预测添加到 pandas 数据帧

【英文标题】：Adding scikit-learn (sklearn) prediction to pandas data frame

【发布时间】：2016-02-09 06:12:47

【问题描述】：

我正在尝试将 sklearn 预测添加到 pandas 数据帧，以便对预测进行全面评估。相关代码如下：

clf = linear_model.LinearRegression()
clf.fit(Xtrain,ytrain)
ypred = pd.DataFrame('pred_lin_regr': pd.Series(clf.predict(Xtest)))

数据框如下所示：

Xtest

       axial_MET  cos_theta_r1  deltaE_abs  lep1_eta   lep1_pT  lep2_eta  
8000   1.383026      0.332365    1.061852  0.184027  0.621598 -0.316297   
8001  -1.054412      0.046317    1.461788 -1.141486  0.488133  1.011445   
8002   0.259077      0.429920    0.769219  0.631206  0.353469  1.027781   
8003  -0.096647      0.066200    0.411222 -0.867441  0.856115 -1.357888   
8004   0.145412      0.371409    1.111035  1.374081  0.485231  0.900024   

ytest

8000    1
8001    0
8002    0
8003    0
8004    0

ypred

        pred_lin_regr
0       0.461636
1       0.314448
2       0.363751
3       0.291858
4       0.416056

连接 Xtest 和 ytest 可以正常工作：

df_total = pd.concat([Xtest, ytest], axis=1)

但是事件信息在 ypred 上丢失了。

什么是必须的类似 python/pandas/numpy 的方式来做到这一点？

我正在使用以下版本：

argparse==1.2.1
cycler==0.9.0
decorator==4.0.4
ipython==4.0.0
ipython-genutils==0.1.0
matplotlib==1.5.0
nose==1.3.7
numpy==1.10.1
pandas==0.17.0
path.py==8.1.2
pexpect==4.0.1
pickleshare==0.5
ptyprocess==0.5
py==1.4.30
pyparsing==2.0.5
pytest==2.8.2
python-dateutil==2.4.2
pytz==2015.7
scikit-learn==0.16.1
scipy==0.16.1
simplegeneric==0.8.1
six==1.10.0
sklearn==0.0
traitlets==4.0.0
wsgiref==0.1.2

我尝试了以下方法：

df_total["pred_lin_regr"] = clf.predict(Xtest) 

似乎可以完成这项工作，但我认为我无法确定事件是否正确匹配

【参考方案1】：

你的第二行是正确的，df_total["pred_lin_regr"] = clf.predict(Xtest)，它更有效。

在其中，您将获取clf.predict() 的输出，恰好是array，并将其添加到数据帧中。您从数组本身接收到的输出是为了匹配Xtest，因为是这种情况，将它添加到numpy数组将不会改变或改变它顺序。

这是来自 example 的一个小证明：

服用以下部分：

import numpy as np

import pandas as pd
from sklearn import datasets, linear_model

# Load the diabetes dataset
diabetes = datasets.load_diabetes()

# Use only one feature
diabetes_X = diabetes.data[:, np.newaxis, 2]

# Split the data into training/testing sets
diabetes_X_train = diabetes_X[:-20]
diabetes_X_test = diabetes_X[-20:]

# Split the targets into training/testing sets
diabetes_y_train = diabetes.target[:-20]
diabetes_y_test = diabetes.target[-20:]

# Create linear regression object
regr = linear_model.LinearRegression()

# Train the model using the training sets
regr.fit(diabetes_X_train, diabetes_y_train)

print(regr.predict(diabetes_X_test))

df = pd.DataFrame(regr.predict(diabetes_X_test))

print(df)

第一个 print() 函数将按预期为我们提供一个 numpy 数组：

[ 225.9732401   115.74763374  163.27610621  114.73638965  120.80385422
  158.21988574  236.08568105  121.81509832   99.56772822  123.83758651
  204.73711411   96.53399594  154.17490936  130.91629517   83.3878227
  171.36605897  137.99500384  137.99500384  189.56845268   84.3990668 ]

该顺序与第二个 print() 函数相同，我们在其中将结果添加到数据框：

             0
0   225.973240
1   115.747634
2   163.276106
3   114.736390
4   120.803854
5   158.219886
6   236.085681
7   121.815098
8    99.567728
9   123.837587
10  204.737114
11   96.533996
12  154.174909
13  130.916295
14   83.387823
15  171.366059
16  137.995004
17  137.995004
18  189.568453
19   84.399067

重新运行部分测试的代码，将给我们同样的有序结果：

print(regr.predict(diabetes_X_test[0:5]))

df = pd.DataFrame(regr.predict(diabetes_X_test[0:5]))

print(df)

[ 225.9732401   115.74763374  163.27610621  114.73638965  120.80385422]
            0
0  225.973240
1  115.747634
2  163.276106
3  114.736390
4  120.803854

【讨论】：

如果 Xtest 是随机选择并且索引是随机的，如何解决相同的问题，在这种情况下，我们无法匹配两个数据帧中的每条记录