【问题标题】：sklearn function transformer in pipeline管道中的 sklearn 函数转换器
【发布时间】：2017-01-17 07:22:37
【问题描述】：

在为 sk-learn 编写我的第一个管道时，当只有一部分列被放入管道时，我偶然发现了一些问题：

mydf = pd.DataFrame({'classLabel':[0,0,0,1,1,0,0,0],
                   'categorical':[7,8,9,5,7,5,6,4],
                   'numeric1':[7,8,9,5,7,5,6,4],
                   'numeric2':[7,8,9,5,7,5,6,"N.A"]})
columnsNumber = ['numeric1']
XoneColumn = X[columnsNumber]

我使用functionTransformer 喜欢：

def extractSpecificColumn(X, columns):
    return X[columns]

pipeline = Pipeline([
    ('features', FeatureUnion([
        ('continuous', Pipeline([
            ('numeric', FunctionTransformer(columnsNumber)),
            ('scale', StandardScaler())
        ]))
    ], n_jobs=1)),
    ('estimator', RandomForestClassifier(n_estimators=50, criterion='entropy', n_jobs=-1))
])

cv.cross_val_score(pipeline, XoneColumn, y, cv=folds, scoring=kappaScore)

这会导致：TypeError: 'list' object is not callable 启用功能转换器时。

编辑：

如果我像下面那样实例化ColumnExtractor，则不会返回任何错误。但是functionTransformer 不是仅适用于像这样的简单案例并且应该可以正常工作吗？

class ColumnExtractor(TransformerMixin):
    def __init__(self, columns):
        self.columns = columns

    def transform(self, X, *_):
        return X[self.columns]

    def fit(self, *_):
        return self

【问题讨论】：

不应该是XoneColumn = X[columnsNumber] 是XoneColumn = mydf[columnsNumber]？
也在你的github中查看问题2，从train_test_split返回的索引是序数索引值，所以我建议在dfs上使用.ilocX_train = X.iloc[train_index] X_test = X.iloc[test_index] y_train = y.iloc[train_index] y_test = y.iloc[test_index]
sklearn 代码假定一切都是 np 数组，因此您可以选择使用属性 .values 将 pandas df 转换为 np 数组或使用 pandas 索引器，例如 @987654335 @、loc 和 ix
@EdChurn 在单元格 3 中我转换 mydf itno 2 部分 X, y = transform(mydf) 所以 X 应该没问题。无论如何，mydf 也不能正常工作。谢谢你帮我解决了问题2。但是最后一个问题3没有解决。
如果我在这里尝试使用cv.cross_val_score(pipeline, XoneColumn.values, y, cv=folds, scoring=kappaScore).values，同样的错误仍然存在

标签： python scikit-learn pipeline transformer

【解决方案1】：

FunctionTransformer 用于将函数“提升”为转换，我认为这可以帮助完成一些数据清理步骤。想象一下，您有一个主要是数字数组，并且您想使用 Transformer 对其进行转换，如果它得到 nan（如 Normalize），则会出错。你最终可能会得到类似的东西

df.fillna(0, inplace=True)
...
cross_val_score(pipeline, ...)

但也许您认为 fillna 仅在一次转换中需要，因此您不必像上面那样拥有 fillna，而是

normalize = make_pipeline(
    FunctionTransformer(np.nan_to_num, validate=False),
    Normalize()
)

最终会根据需要对其进行规范化。然后你可以在更多地方使用这个 sn-p 而不会乱扔你的代码 .fillna(0)

在您的示例中，您传入的是['numeric1']，它是list，而不是类似类型的df[['numeric1']] 的提取器。你可能想要的更像是

FunctionTransformer(operator.itemgetter(columns))

但这仍然行不通，因为最终传递给 FunctionTransformer 的对象将是 np.array 而不是 DataFrame。

为了对DataFrame 的特定列进行操作，您可能需要使用像sklearn-pandas 这样的库，它允许您按列定义特定的转换器。

【讨论】：