使用 ColumnTransformer/FeatureUnion 后构建完整数据框（特征值 + 名称）的推荐方法是啥？

Posted 2023-03-12

【中文标题】使用 ColumnTransformer/FeatureUnion 后构建完整数据框（特征值 + 名称）的推荐方法是啥？

【英文标题】：What's the recommended approach for building a complete data frame (feature values + names) after using ColumTransformer/ FeatureUnion?使用 ColumnTransformer/FeatureUnion 后构建完整数据框（特征值 + 名称）的推荐方法是什么？

【发布时间】：2020-03-18 05:55:45

【问题描述】：

我在 Internet 上多次看到此主题，但从未见过一个完整、全面的解决方案，该解决方案可以使用当前库版本的 sklearn 全面适用于所有用例。有人可以尝试使用以下示例解释如何实现吗？

In this example I'm using the following dataset

data = pd.read_csv('heart.csv')

# Preparing individual pipelines for numerical and categorical features
pipe_numeric = Pipeline(steps=[
    ('impute_num', SimpleImputer(
        missing_values = np.nan, 
        strategy = 'median', 
        copy = False, 
        add_indicator = True)
    )
])

pipe_categorical = Pipeline(steps=[
    ('impute_cat', SimpleImputer(
        missing_values = np.nan, 
        strategy = 'constant', 
        fill_value = 99999,
        copy = False)
    ),
    ('one_hot', OneHotEncoder(handle_unknown='ignore'))
])

# Combining them into a transformer
transformer_union = ColumnTransformer([
    ('feat_numeric', pipe_numeric, ['age']),
    ('feat_categorical', pipe_categorical, ['cp']),
], remainder = 'passthrough')

# Fitting the transformer
transformer_union.fit(data)

# We can then apply and get the data in the following way
transformer_union.transform(data)

# And it has the following shape
transformer_union.transform(data).shape

现在主要问题来了：如何有效地将输出的 numpy 数组与所有转换产生的新列名结合起来？这个例子虽然需要相当多的工作，但仍然相对简单，但如果管道更大，这可能会变得更加复杂。

# Transformers object
transformers = transformer_union.named_transformers_

# Categorical features (from transformer)
transformers['feat_categorical'].named_steps['one_hot'].get_feature_names()

# Numerical features (from transformer) - no names are available? 
transformers['feat_numeric'].named_steps['impute_num']

# All the other columns that were not transformed - no names are available?
transformers['remainder']

我已经检查了各种不同的示例，但似乎没有任何灵丹妙药：

sklearn 本身不支持这一点 - 无法获得可以轻松与数组组合成新 DF 的列名对齐向量，但也许我弄错了 - 谁能指出我如果是这样的话，资源？

有些人正在实施他们的自定义转换器/管道，但是当您想要构建大型管道时，这会有点忙

是否有任何其他与 sklearn 相关的软件包可以缓解该问题？

我对 sklearn 的管理方式感到有些惊讶 - 在 tidymodels 生态系统中的 R 中（它仍在开发中，但尽管如此），使用 prep 和 bake 方法很容易处理。我想它可以以某种方式类似地完成。

全面检查最终输出对于数据科学工作至关重要 - 有人可以就最佳路径提出建议吗？

【参考方案1】：

sklearn 开发人员正在为此努力；讨论涵盖多个 SLEP 和许多问题。已经取得了一些进展，一些转换器实现了get_features_names，而另一些转换器在输入是熊猫数据框时具有跟踪列名的内部属性。 ColumnTransformer 确实有 get_feature_names，但 Pipeline 没有，所以它会在您的示例中失败。

目前最完整的解决方案好像是sklearn-pandas:https://github.com/scikit-learn-contrib/sklearn-pandas

另一个有趣的方法隐藏在eli5 中。在他们的explain_weights 中，他们有一个通用函数transform_feature_names。它有一些专门的调度，但除此之外尝试调用get_feature_names；最值得注意的是，Pipeline 有一个调度。不幸的是，目前这将在使用 Pipeline 作为转换器的 ColumnTransformer 上失败；有关示例和可能的解决方法，请参见 https://***.com/a/62124484/10495893。