通过 Pipeline sklearn (Python) 使用多个自定义类

Posted 2023-03-12

【中文标题】通过 Pipeline sklearn (Python) 使用多个自定义类

【英文标题】：Using multiple custom classes with Pipeline sklearn (Python)

【发布时间】：2017-09-15 21:30:52

【问题描述】：

我尝试为学生编写有关 Pipeline 的教程，但我阻止了。我不是专家，但我正在努力改进。所以谢谢你的宽容。 事实上，我尝试在管道中执行几个步骤来为分类器准备数据框：

第 1 步：数据帧描述 第 2 步：填充 NaN 值 第 3 步：将分类值转换为数字

这是我的代码：

class Descr_df(object):

    def transform (self, X):
        print ("Structure of the data: \n ".format(X.head(5)))
        print ("Features names: \n ".format(X.columns))
        print ("Target: \n ".format(X.columns[0]))
        print ("Shape of the data: \n ".format(X.shape))

    def fit(self, X, y=None):
        return self

class Fillna(object):

    def transform(self, X):
        non_numerics_columns = X.columns.difference(X._get_numeric_data().columns)
        for column in X.columns:
            if column in non_numerics_columns:
                X[column] = X[column].fillna(df[column].value_counts().idxmax())
            else:
                 X[column] = X[column].fillna(X[column].mean())            
        return X

    def fit(self, X,y=None):
        return self

class Categorical_to_numerical(object):

    def transform(self, X):
        non_numerics_columns = X.columns.difference(X._get_numeric_data().columns)
        le = LabelEncoder()
        for column in non_numerics_columns:
            X[column] = X[column].fillna(X[column].value_counts().idxmax())
            le.fit(X[column])
            X[column] = le.transform(X[column]).astype(int)
        return X

    def fit(self, X, y=None):
        return self

如果我执行第 1 步和第 2 步或第 1 步和第 3 步，它会起作用，但如果我同时执行第 1、2 和 3 步。我有这个错误：

pipeline = Pipeline([('df_intropesction', Descr_df()), ('fillna',Fillna()), ('Categorical_to_numerical', Categorical_to_numerical())])
pipeline.fit(X, y)
AttributeError: 'NoneType' object has no attribute 'columns'

【问题讨论】：

可能其中一些没有：X 或 y。请全栈。

【参考方案1】：

出现此错误是因为在管道中，第一个估计器的输出转到第二个，然后第二个估计器的输出转到第三个，依此类推...

来自documentation of Pipeline：

一个接一个地拟合所有的变换并变换数据， 然后使用最终估计器拟合转换后的数据。

因此，对于您的管道，执行步骤如下：

Descr_df.fit(X) -> 不做任何事情并返回自我 newX = Descr_df.transform(X) -> 应返回一些值以分配给 newX，该值应传递给下一个估算器，但您的定义不返回任何内容（仅打印）。所以 None 被隐式返回 Fillna.fit(newX) -> 什么都不做，返回自我 Fillna.transform(newX) -> 调用 newX.columns。但是来自 step2 的 newX=None。因此出现错误。

解决方案：更改 Descr_df 的转换方法，以原样返回数据帧：

def transform (self, X):
    print ("Structure of the data: \n ".format(X.head(5)))
    print ("Features names: \n ".format(X.columns))
    print ("Target: \n ".format(X.columns[0]))
    print ("Shape of the data: \n ".format(X.shape))
    return X

建议：让您的类继承自 scikit 中的 Base Estimator 和 Transformer 类，以确认良好做法。

即将class Descr_df(object)更改为class Descr_df(BaseEstimator, TransformerMixin)，将Fillna(object)更改为Fillna(BaseEstimator, TransformerMixin)等等。

有关 Pipeline 中自定义类的更多详细信息，请参阅此示例：

http://scikit-learn.org/stable/auto_examples/hetero_feature_union.html#sphx-glr-auto-examples-hetero-feature-union-py

【讨论】：

我会看看，让你知道。您的回答似乎非常有趣和有帮助。谢谢！！

@JeremieGuez 试试这个解决方案，如果它适合你，请考虑接受这个答案

看起来不错！！谢谢

我想在我的管道末尾（在我的随机森林分类器之后）添加一个性能指标（只是一个 auc），但我有一个 TypeError：如果没有指定评分，则传递的估计器应该有一种“评分”方法。如果更好的话，我可以打开另一个帖子...

@JeremieGuez 我无法理解。您能否发布一个包含所有详细信息的新问题。