如何在 scikit-learn 管道中的 CountVectorizer 之前包含 SimpleImputer？

Posted 2023-03-12

【中文标题】如何在 scikit-learn 管道中的 CountVectorizer 之前包含 SimpleImputer？

【英文标题】：How to include SimpleImputer before CountVectorizer in a scikit-learn Pipeline?

【发布时间】：2020-11-09 23:59:47

【问题描述】：

我有一个包含一列文本的 pandas DataFrame，我想使用 scikit-learn 的 CountVectorizer 对文本进行矢量化。但是，文本包含缺失值，因此我想在矢量化之前估算一个常量值。

我最初的想法是创建一个Pipeline 的SimpleImputer 和CountVectorizer：

import pandas as pd
import numpy as np
df = pd.DataFrame('text':['abc def', 'abc ghi', np.nan])

from sklearn.impute import SimpleImputer
imp = SimpleImputer(strategy='constant')

from sklearn.feature_extraction.text import CountVectorizer
vect = CountVectorizer()

from sklearn.pipeline import make_pipeline
pipe = make_pipeline(imp, vect)

pipe.fit_transform(df[['text']]).toarray()

但是，fit_transform 会出错，因为SimpleImputer 输出二维数组，而CountVectorizer 需要一维输入。这是错误消息：

AttributeError: 'numpy.ndarray' object has no attribute 'lower'

问题：如何修改此Pipeline 以使其正常工作？

注意：我知道我可以在 pandas 中估算缺失值。但是，我想在 scikit-learn 中完成所有预处理，以便可以使用 Pipeline 将相同的预处理应用于新数据。

【问题讨论】：

为什么不在原始数据框中估算缺失值：df.fillna("")？

@DYZ 正如我在问题底部提到的，我想在 scikit-learn 中完成所有预处理，以便我可以使用 Pipeline 对新数据应用相同的预处理。

【参考方案1】：

我发现的最佳解决方案是将自定义转换器插入Pipeline，将SimpleImputer 的输出从2D 重塑为1D，然后再传递给CountVectorizer。 p>

完整代码如下：

import pandas as pd
import numpy as np
df = pd.DataFrame('text':['abc def', 'abc ghi', np.nan])

from sklearn.impute import SimpleImputer
imp = SimpleImputer(strategy='constant')

from sklearn.feature_extraction.text import CountVectorizer
vect = CountVectorizer()

# CREATE TRANSFORMER
from sklearn.preprocessing import FunctionTransformer
one_dim = FunctionTransformer(np.reshape, kw_args='newshape':-1)

# INCLUDE TRANSFORMER IN PIPELINE
from sklearn.pipeline import make_pipeline
pipe = make_pipeline(imp, one_dim, vect)

pipe.fit_transform(df[['text']]).toarray()

proposed on GitHub 一直认为CountVectorizer 应该允许二维输入，只要第二维为 1（意思是：单列数据）。对CountVectorizer 的修改将是解决这个问题的好方法！

【参考方案2】：

一种解决方案是在 SimpleImputer 之外创建一个类并覆盖其 transform() 方法：

import pandas as pd
import numpy as np
from sklearn.impute import SimpleImputer


class ModifiedSimpleImputer(SimpleImputer):
    def transform(self, X):
        return super().transform(X).flatten()


df = pd.DataFrame('text':['abc def', 'abc ghi', np.nan])

imp = ModifiedSimpleImputer(strategy='constant')

from sklearn.feature_extraction.text import CountVectorizer
vect = CountVectorizer()

from sklearn.pipeline import make_pipeline
pipe = make_pipeline(imp, vect)

pipe.fit_transform(df[['text']]).toarray()

【讨论】：

反之亦然：class ModifiedCountVectorizer(CountVectorizer): def fit_transform(self, X, y=None): return super().fit_transform(X.flatten())

【参考方案3】：

当我有一维数据时，我将这个一维包装器用于 sklearn Transformer。我认为，在您的情况下，此包装器可用于为一维数据（带有字符串值的熊猫系列）包装 simpleImputer。

class OneDWrapper:
    """One dimensional wrapper for sklearn Transformers"""

    def __init__(self, transformer):
        self.transformer = transformer

    def fit(self, X, y=None):
        self.transformer.fit(np.array(X).reshape(-1, 1))
        return self

    def transform(self, X, y=None):
        return self.transformer.transform(
            np.array(X).reshape(-1, 1)).ravel()

    def inverse_transform(self, X, y=None):
        return self.transformer.inverse_transform(
            np.expand_dims(X, axis=1)).ravel()

现在，您不需要在管道中执行额外的步骤。

one_d_imputer = OneDWrapper(SimpleImputer(strategy='constant'))
pipe = make_pipeline(one_d_imputer, vect)
pipe.fit_transform(df['text']).toarray() 
# note we are feeding a pd.Series here!