如何在 scikit-learn 管道中的 CountVectorizer 之前包含 SimpleImputer?
Posted
技术标签:
【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!
【讨论】:
【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!
【讨论】:
以上是关于如何在 scikit-learn 管道中的 CountVectorizer 之前包含 SimpleImputer?的主要内容,如果未能解决你的问题,请参考以下文章
如何在 scikit-learn 中使用管道调整自定义内核函数的参数
使用 GridSearchCV scikit-learn 在管道中的 KMeans
如何在 scikit-learn 管道中将时代添加到 Keras 网络