pandas 数据帧上的自定义 word2vec Transformer 并在 FeatureUnion 中使用它答案

【问题标题】：Custom word2vec Transformer on pandas dataframe and using it in FeatureUnionpandas 数据帧上的自定义 word2vec Transformer 并在 FeatureUnion 中使用它
【发布时间】：2018-11-15 14:37:25
【问题描述】：

对于下面的pandas DataFrame df，我想将type 列转换为OneHotEncoding，并使用字典word2vec 将word 列转换为其向量表示。然后我想将两个转换后的向量与count 列连接起来，形成最终的分类特征。

>>> df
       word type  count
0     apple    A      4
1       cat    B      3
2  mountain    C      1 

>>> df.dtypes
word       object
type     category
count       int64

>>> word2vec
{'apple': [0.1, -0.2, 0.3], 'cat': [0.2, 0.2, 0.3], 'mountain': [0.4, -0.2, 0.3]}

我定义了自定义的Transformer，并使用FeatureUnion 连接功能。

from sklearn.base import BaseEstimator, TransformerMixin
from sklearn.pipeline import Pipeline, FeatureUnion
from sklearn.preprocessing import OneHotEncoder

class w2vTransformer(TransformerMixin):

    def __init__(self,word2vec):
        self.word2vec = word2vec

    def fit(self,x, y=None):
        return self

    def wv(self, w):
        return self.word2vec[w] if w in self.word2vec else [0, 0, 0]

    def transform(self, X, y=None):
         return df['word'].apply(self.wv)

pipeline = Pipeline([
    ('features', FeatureUnion(transformer_list=[
        # Part 1: get integer column
        ('numericals', Pipeline([
            ('selector', TypeSelector(np.number)),
        ])),

        # Part 2: get category column and its onehotencoding
        ('categoricals', Pipeline([
            ('selector', TypeSelector('category')),
            ('labeler', StringIndexer()),
            ('encoder', OneHotEncoder(handle_unknown='ignore')),
        ])), 

        # Part 3: transform word to its embedding
        ('word2vec', Pipeline([
            ('w2v', w2vTransformer(word2vec)),
        ]))
    ])),
])

当我运行pipeline.fit_transform(df) 时，我得到了错误：blocks[0,:] has incompatible row dimensions. Got blocks[0,2].shape[0] == 1, expected 3.

但是，如果我从管道中删除 word2vec Transformer（第 3 部分），则管道（第 1 部分 1 + 第 2 部分）工作正常。

>>> pipeline_no_word2vec.fit_transform(df).todense()
matrix([[4., 1., 0., 0.],
        [3., 0., 1., 0.],
        [1., 0., 0., 1.]])

如果我只保留管道中的 w2v 变压器，它也可以工作。

>>> pipeline_only_word2vec.fit_transform(df)
array([list([0.1, -0.2, 0.3]), list([0.2, 0.2, 0.3]),
       list([0.4, -0.2, 0.3])], dtype=object)

我的猜测是我的w2vTransformer 班级有问题，但不知道如何解决。请帮忙。

【问题讨论】：

标签： pandas scikit-learn pipeline word2vec

【解决方案1】：

这个错误是由于 FeatureUnion 期望它的每个部分都有一个二维数组。

现在您的 FeatureUnion 的前两部分：- 'numericals' 和 'categoricals' 正在正确发送形状的二维数据（n_samples，n_features）。

n_samples = 3 在您的示例数据中。 n_features 将取决于各个部分（例如 OneHotEncoder 将在第二部分更改它们，但在第一部分将是 1）。

但是第三部分 'word2vec' 返回一个 pandas.Series 对象，它具有一维形状 (3,)。 FeatureUnion 默认采用形状 (1, 3)，因此抱怨它与其他块不匹配。

所以你需要纠正那个形状。

现在，即使您只是在最后执行 reshape() 并将其更改为 shape (3,1)，您的代码也不会运行，因为该数组的内部内容是您的 word2vec 字典中的列表，而不是正确转换为二维数组。相反，它会变成一个列表数组。

更改 w2vTransformer 以纠正错误：

class w2vTransformer(TransformerMixin):
    ...
    ...
    def transform(self, X, y=None):
        return np.array([np.array(vv) for vv in X['word'].apply(self.wv)])

然后管道将工作。

【讨论】：