为 sklearn 管道实现自定义单热编码功能

如何解决为 sklearn 管道实现自定义单热编码功能

One Hot Encoding preserve the NAs for imputation 中发布的问题相关,我正在尝试创建一个自定义函数,用于在对分类变量进行热编码时处理 NA。该设置应适用于使用 sklearn pipeline 的训练/测试拆分和建模。

我的问题的一个简单的可重现示例:

#Packages
import pandas as pd
import numpy as np
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import OneHotEncoder
from sklearn.pipeline import Pipeline
from sklearn.impute import KNNImputer
from sklearn.base import BaseEstimator,TransformerMixin
from sklearn.linear_model import Ridge
from sklearn.impute import SimpleImputer


# Make some categorical data X and a response y and split it. 
X = pd.DataFrame(columns=["1","2"],data = [["A",np.nan],["B","A"],[np.nan,"B"],["A",["C",["D","E"]])
y = pd.DataFrame(data = np.array([1,5,4,6,2,3,9,9]))
X_train,X_test,Y_train,Y_test = train_test_split(X,y,test_size=0.2,random_state=42)

然后我创建了一个使用 nan 执行 OHE 的自定义函数(使用 Cyclical Loop Between OneHotEncoder and KNNImpute in Scikit-learn 中描述的过程)

class OHE_with_nan(BaseEstimator,TransformerMixin):
    """ OHE with NAN. Not super pretty but works..
    """
    def __init__(self,copy=True):
        self.copy = copy
        
    def fit(self,X,y = None):
        """ This transformer does not use a fit procedure """
        return self
    
    def transform(self,y = None):
        """ Return the new object here"""
        # Replace nans with "Missing" such that OneHotEncoder can work.
        enc_missing = SimpleImputer(strategy="constant",fill_value="missing")
        data1 = pd.DataFrame(columns=X.columns,data = enc_missing.fit_transform(X))
        #Perform standard OHE
        OHE = OneHotEncoder(sparse=False,handle_unknown="ignore")
        OHE_fit = OHE.fit_transform(data1)
        #save feature names of the OHE dataframe
        data_OHE = pd.DataFrame(columns=OHE.get_feature_names(data1.columns),data = OHE_fit)
        
        # Initialize
        Column_names = data1.columns
        Final_OHE = pd.DataFrame()
        # Loop over columns to replace 0s with nan the correct places.
        for i in range(len(data1.columns)):
           tmp_data = data_OHE[data_OHE.columns[pd.Series(data_OHE.columns).str.startswith(Column_names[i])]]
           missing_name = tmp_data.iloc[:,-1:].columns
           missing_index = np.where(tmp_data[missing_name]==1)[0]
           tmp_data.loc[missing_index,:] = np.nan
           tmp_data1 = tmp_data.drop(missing_name,axis=1)
           Final_OHE = pd.concat([Final_OHE,tmp_data1],axis=1)
        
        return Final_OHE

然后将其组合成一个使用岭回归预测 y 的管道(模型的随机选择,仅用于示例..)

Estimator = Pipeline([
   ('Ohe_with_NA',OHE_with_nan()),("Imputer",KNNImputer(n_neighbors=1)),('Model',Ridge(alpha = 0.01))
    ])

可以拟合的程序:

pipe_fit = Estimator.fit(X_train,Y_train)

但是对看不见的数据的测试失败了:

pipe_fit.score(X_test,Y_test)

ValueError: X has 2 features,but KNNImputer is expecting 7 features as input.

这是因为 handle_unknown = "ignore 中的 OneHotEncoder 中的 OHE_with_nan 不再“活动”,因为它已被包装到我的自定义函数中。

如果只是在管道中直接使用 OneHotEncoder(handle_unknown = "ignore"),一切正常(但这不是我的意图,因为这会从我尝试估算的数据中“删除”nans。)

我的问题 我如何在我的自定义函数中启用 handle_unknown = "ignore",以便它也可以在管道设置中对看不见的数据执行?

希望您了解我的情况 - 非常感谢您的帮助!

解决方法

我认为主要问题是您需要在合适的时候保存更多信息(尤其是内部 OneHotEncoder)。我还使缺失列识别更加强大(我想也许您依赖于将其放在最后的排序,但由于字母顺序,这仅适用于您的样本数据?)。我没有花太多时间清理东西或寻求效率。

class OHE_with_nan(BaseEstimator,TransformerMixin):
    """One-hot encode,propagating NaNs.

    Requires a dataframe as input!
    """
    def fit(self,X,y=None):
        self.orig_cols_ = X.columns
        self.imputer_ = SimpleImputer(strategy="constant",fill_value="MISSING")
        X_filled = self.imputer_.fit_transform(X)
        self.ohe_ = OneHotEncoder(sparse=False,handle_unknown="ignore")
        self.ohe_.fit(X_filled)

        self.ohe_colnames_ = self.ohe_.get_feature_names(X.columns)
        self.missing_value_columns = np.array(["MISSING" in col for col in self.ohe_colnames_])
        return self

    def transform(self,y=None):
        raw_ohe = pd.DataFrame(self.ohe_.transform(self.imputer_.transform(X)),columns=self.ohe_colnames_)
        out_list = []
        # Loop over columns to replace 0s with nan the correct places.
        for orig_col in self.orig_cols_:
            tmp_data = raw_ohe[self.ohe_colnames_[pd.Series(self.ohe_colnames_).str.startswith(orig_col)]]
            missing_name = tmp_data.columns[["MISSING" in col for col in tmp_data.columns]]
            missing_indices = np.where(tmp_data[missing_name]==1)[0]
            tmp_data.loc[missing_indices,:] = np.nan
            tmp_data1 = tmp_data.drop(missing_name,axis=1)
            out_list.append(tmp_data1)
        out = pd.concat(out_list,axis=1)
        return out

版权声明:本文内容由互联网用户自发贡献,该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容, 请发送邮件至 dio@foxmail.com 举报,一经查实,本站将立刻删除。

相关推荐


依赖报错 idea导入项目后依赖报错,解决方案:https://blog.csdn.net/weixin_42420249/article/details/81191861 依赖版本报错:更换其他版本 无法下载依赖可参考:https://blog.csdn.net/weixin_42628809/a
错误1:代码生成器依赖和mybatis依赖冲突 启动项目时报错如下 2021-12-03 13:33:33.927 ERROR 7228 [ main] o.s.b.d.LoggingFailureAnalysisReporter : *************************** APPL
错误1:gradle项目控制台输出为乱码 # 解决方案:https://blog.csdn.net/weixin_43501566/article/details/112482302 # 在gradle-wrapper.properties 添加以下内容 org.gradle.jvmargs=-Df
错误还原:在查询的过程中,传入的workType为0时,该条件不起作用 <select id="xxx"> SELECT di.id, di.name, di.work_type, di.updated... <where> <if test=&qu
报错如下,gcc版本太低 ^ server.c:5346:31: 错误:‘struct redisServer’没有名为‘server_cpulist’的成员 redisSetCpuAffinity(server.server_cpulist); ^ server.c: 在函数‘hasActiveC
解决方案1 1、改项目中.idea/workspace.xml配置文件,增加dynamic.classpath参数 2、搜索PropertiesComponent,添加如下 <property name="dynamic.classpath" value="tru
删除根组件app.vue中的默认代码后报错:Module Error (from ./node_modules/eslint-loader/index.js): 解决方案:关闭ESlint代码检测,在项目根目录创建vue.config.js,在文件中添加 module.exports = { lin
查看spark默认的python版本 [root@master day27]# pyspark /home/software/spark-2.3.4-bin-hadoop2.7/conf/spark-env.sh: line 2: /usr/local/hadoop/bin/hadoop: No s
使用本地python环境可以成功执行 import pandas as pd import matplotlib.pyplot as plt # 设置字体 plt.rcParams['font.sans-serif'] = ['SimHei'] # 能正确显示负号 p
错误1:Request method ‘DELETE‘ not supported 错误还原:controller层有一个接口,访问该接口时报错:Request method ‘DELETE‘ not supported 错误原因:没有接收到前端传入的参数,修改为如下 参考 错误2:cannot r
错误1:启动docker镜像时报错:Error response from daemon: driver failed programming external connectivity on endpoint quirky_allen 解决方法:重启docker -> systemctl r
错误1:private field ‘xxx‘ is never assigned 按Altʾnter快捷键,选择第2项 参考:https://blog.csdn.net/shi_hong_fei_hei/article/details/88814070 错误2:启动时报错,不能找到主启动类 #
报错如下,通过源不能下载,最后警告pip需升级版本 Requirement already satisfied: pip in c:\users\ychen\appdata\local\programs\python\python310\lib\site-packages (22.0.4) Coll
错误1:maven打包报错 错误还原:使用maven打包项目时报错如下 [ERROR] Failed to execute goal org.apache.maven.plugins:maven-resources-plugin:3.2.0:resources (default-resources)
错误1:服务调用时报错 服务消费者模块assess通过openFeign调用服务提供者模块hires 如下为服务提供者模块hires的控制层接口 @RestController @RequestMapping("/hires") public class FeignControl
错误1:运行项目后报如下错误 解决方案 报错2:Failed to execute goal org.apache.maven.plugins:maven-compiler-plugin:3.8.1:compile (default-compile) on project sb 解决方案:在pom.
参考 错误原因 过滤器或拦截器在生效时,redisTemplate还没有注入 解决方案:在注入容器时就生效 @Component //项目运行时就注入Spring容器 public class RedisBean { @Resource private RedisTemplate<String
使用vite构建项目报错 C:\Users\ychen\work>npm init @vitejs/app @vitejs/create-app is deprecated, use npm init vite instead C:\Users\ychen\AppData\Local\npm-