sklearn 管道 - 如何在不同列上应用不同的转换

Question

我有一个混合了文本和数字的数据集，即某些列仅包含文本，其余列包含整数（或浮点数）。

我想知道是否可以构建一个管道，例如在文本特征上调用

LabelEncoder()

，在数字列上调用

MinMaxScaler()

。我在网上看到的示例大多指向在整个数据集上使用

LabelEncoder()

而不是在选定的列上。这可能吗？如果是这样，任何指点将不胜感激。

Answer 1

我通常的做法是用

FeatureUnion

，用

FunctionTransformer

拉出相关列。

重要提示：

• 你必须用

  def

  定义你的函数，因为如果你想pickle你的模型，你不能在FunctionTransformer中使用

  lambda

  或

  partial

  ，这很烦人

• 您需要用

  FunctionTransformer

  初始化
  validate=False

类似这样的：

from sklearn.pipeline import make_union, make_pipeline
from sklearn.preprocessing import FunctionTransformer

def get_text_cols(df):
    return df[['name', 'fruit']]

def get_num_cols(df):
    return df[['height','age']]

vec = make_union(*[
    make_pipeline(FunctionTransformer(get_text_cols, validate=False), LabelEncoder()))),
    make_pipeline(FunctionTransformer(get_num_cols, validate=False), MinMaxScaler())))
])

Answer 2

从 v0.20 开始，您可以使用

ColumnTransformer

来完成此操作。

Answer 3

ColumnTransformer 的示例可能会帮助您：

# FOREGOING TRANSFORMATIONS ON 'data' ...
# filter data
data = data[data['county'].isin(COUNTIES_OF_INTEREST)]

# define the feature encoding of the data
impute_and_one_hot_encode = Pipeline([
        ('impute', SimpleImputer(strategy='most_frequent')),
        ('encode', OneHotEncoder(sparse=False, handle_unknown='ignore'))
    ])

featurisation = ColumnTransformer(transformers=[
    ("impute_and_one_hot_encode", impute_and_one_hot_encode, ['smoker', 'county', 'race']),
    ('word2vec', MyW2VTransformer(min_count=2), ['last_name']),
    ('numeric', StandardScaler(), ['num_children', 'income'])
])

# define the training pipeline for the model
neural_net = KerasClassifier(build_fn=create_model, epochs=10, batch_size=1, verbose=0, input_dim=109)
pipeline = Pipeline([
    ('features', featurisation),
    ('learner', neural_net)])

# train-test split
train_data, test_data = train_test_split(data, random_state=0)
# model training
model = pipeline.fit(train_data, train_data['label'])

您可以在以下位置找到完整代码：https://github.com/stefan-grafberger/mlinspect/blob/19ca0d6ae8672249891835190c9e2d9d3c14f28f/example_pipelines/healthcare/healthcare.py