将 FunctionTransformer 与 sklearn Pipeline 和 ColumnTransformer 一起使用 - 错误：无效的类型提升

Posted 2023-03-12

【中文标题】将 FunctionTransformer 与 sklearn Pipeline 和 ColumnTransformer 一起使用 - 错误：无效的类型提升

【英文标题】：Using FunctionTransformer with sklearn Pipeline and ColumnTransformer - error: invalid type promotion

【发布时间】：2020-01-31 18:53:21

【问题描述】：

我正在使用管道来预处理数据。这是我的代码。我想将字符串列转换为日期时间，并将空字符串 (' ')、"N.A" 替换为 np.nan 用于其他一些列。我正在尝试在我的管道步骤中使用FunctionTransformer。

df = pd.DataFrame('categoric1':['Apple', '  ', 'Cherry', 'Apple', 'Cherry', 'Cherry', 'Orange'],                    
                   'numeric1':[1, 2, 3, 4, 5, 6, 7],                                      
                   'numeric2':[7,8,9,"N.A", np.nan, '  ', 12],
                   'date1': ['20001103','20011109', '19910929', '19920929', '20051107', '20081103', '20101105'])
cat_features = ['categoric1']
num_features = ['numeric1', 'numeric2']
date_features = ['date1']

print(df.head(7))

def replace_with_nan(X):
    X_copy = X.copy()       
    X_copy[X_copy == '  '] = np.nan
    X_copy[X_copy == 'N.A'] = np.nan
    return X_copy.values

def square_values(X):
    return X**2

def convert_to_datetime(df):
    df['date1'] = pd.to_datetime(df['date1'], errors='raise') #df['date1'].astype(str) + "Z"
    return df

cat_transformer = Pipeline(steps=[
    ('ft_replace_nan', FunctionTransformer(replace_with_nan, validate=False)),    
    ('imputer', SimpleImputer(missing_values=np.nan, strategy='most_frequent')),   
    ('encoder', OneHotEncoder(categories=[['Apple', 'Orange', 'Cherry']], handle_unknown='error'))     
])

num_transformer = Pipeline(steps=[    
    ('ft_replace_nan', FunctionTransformer(replace_with_nan, validate=False)),
#     ('ft_square_values', FunctionTransformer(square_values, validate=False)),    #Another FunctionTransformer -----1
    ('imputer', SimpleImputer(missing_values=np.nan, strategy='median')),
    ('scaler', StandardScaler())
])

date_transformer = Pipeline(steps=[    
    ('convert_to_datetime', FunctionTransformer(convert_to_datetime, validate=False))
])

preprocessor = ColumnTransformer(remainder='passthrough', transformers = [
    ('num', num_transformer, num_features),
    ('cat', cat_transformer, cat_features),
    ('date', date_transformer, date_features)
])

# ft_fill_nan = FunctionTransformer(replace_with_nan, validate=False)
# transformed_data = ft_fill_nan.fit_transform(df)
# print(transformed_data)

# ft_convert_datetime = FunctionTransformer(convert_to_datetime, validate=False)
# transformed_data = ft_convert_datetime.fit_transform(df)
# print(transformed_data)

transformed_data = preprocessor.fit_transform(df)
print(transformed_data)

问题：

当我尝试执行 preprocessor.fit_transform(df) 时，我得到了 错误如下。你能帮我解决这个问题吗？ 如果我想在同一管道中执行另一个 FunctionTransformer 以求平方怎么办 取消注释行 #Another FunctionTransformer -----1 的值。可能吗？如果有，怎么做？ 我不想改变里面实际数据的状态 convert_to_datetime(df) 上面的方法。我还想让它通用而不访问实际的date1 列。我怎样才能做到这一点？

【参考方案1】：

由于异构数据类型，您收到invalid type promotion 错误。 Sklearn 正在尝试在内部使用 numpy 结构数组进行连接。解决方案是从日期中提取必要的特征，例如给定日期的月份。

您只需要更改convert_to_datetime

def convert_to_datetime(data):
    return data.apply(lambda x: [pd.to_datetime(date,  format="%Y%m%d").month for date in x])

通过这种方式，您不必在函数内对列名进行硬编码。

结果：

您可以轻松添加更多功能转换器，试试这个！

    ('ft_square_values', FunctionTransformer(lambda x: x*2, validate=False)),    #Another FunctionTransformer -----1

通过采用第 1 点中提到的解决方案，您也可以摆脱这个问题。