在管道中使用 ColumnTransformer 时出现 AttributeError

Question

这是我的第一个机器学习项目，也是我第一次使用 ColumnTransformer。我的目标是执行两个数据预处理步骤，并为每个步骤使用 ColumnTransformer。

在第一步中，我想用字符串 'missing_value' 替换我的数据框中的缺失值，以替换某些特征，并用最常见的值替换其余特征。因此，我使用 ColumnTransformer 将这两个操作结合起来，并将我的数据帧的相应列传递给它。

在第二步中，我想使用刚刚预处理的数据，并根据功能应用 OrdinalEncoder 或 OneHotEncoder。为此，我再次使用 ColumnTransformer。

然后我将这两个步骤合并到一个管道中。

我正在使用 Kaggle Houses Price 数据集，我有 scikit-learn 0.20 版，这是我的代码的简化版本：

cat_columns_fill_miss = ['PoolQC', 'Alley']
cat_columns_fill_freq = ['Street', 'MSZoning', 'LandContour']
cat_columns_ord = ['Street', 'Alley', 'PoolQC']
ord_mapping = [['Pave', 'Grvl'],                          # Street
               ['missing_value', 'Pave', 'Grvl'],         # Alley
               ['missing_value', 'Fa', 'TA', 'Gd', 'Ex']  # PoolQC
]
cat_columns_onehot = ['MSZoning', 'LandContour']


imputer_cat_pipeline = ColumnTransformer([
        ('imp_miss', SimpleImputer(strategy='constant'), cat_columns_fill_miss),  # fill_value='missing_value' by default
        ('imp_freq', SimpleImputer(strategy='most_frequent'), cat_columns_fill_freq),
])

encoder_cat_pipeline = ColumnTransformer([
        ('ordinal', OrdinalEncoder(categories=ord_mapping), cat_columns_ord),
        ('pass_ord', OneHotEncoder(), cat_columns_onehot),
])

cat_pipeline = Pipeline([
        ('imp_cat', imputer_cat_pipeline),
        ('cat_encoder', encoder_cat_pipeline),
])

不幸的是，当我将其应用于 Housing_cat 时，我的数据框的子集仅包含分类特征，

cat_pipeline.fit_transform(housing_cat)

我得到错误：

AttributeError: 'numpy.ndarray' 对象没有属性 'columns'

在处理上述异常的过程中，又发生了一个异常：

...

ValueError: 仅 Pandas DataFrames 支持使用字符串指定列

我已经尝试过这个简化的管道并且它工作正常：

new_cat_pipeline = Pipeline([
        ('imp_cat', imputer_cat_pipeline),
        ('onehot', OneHotEncoder()),
])

但是，如果我尝试：

enc_one = ColumnTransformer([
        ('onehot', OneHotEncoder(), cat_columns_onehot),
        ('pass_ord', 'passthrough', cat_columns_ord)
])

new_cat_pipeline = Pipeline([
        ('imp_cat', imputer_cat_pipeline),
        ('onehot_encoder', enc_one),
])

我开始遇到同样的错误。

我怀疑这个错误与第二步中使用ColumnTransformer有关，但我实际上不明白它来自哪里。我在第二步中识别列的方式与第一步相同，所以我仍然不清楚为什么只在第二步中我得到属性错误...

Answer 1

每当我进行任何转换时，我都喜欢使用FunctionTransformer sklearn 提供的功能，而不是直接在 pandas 中进行转换。这样做的原因是现在我的特征转换在新的传入数据上更通用（例如，假设你赢了，你需要使用相同的代码来预测明年的数据）。这样你就不必重新运行你的代码，你可以保存你的预处理器并调用转换。我用这样的东西

FE_pipeline = {

'numeric_pipe': make_pipeline(
    FunctionTransformer(lambda x: x.replace([np.inf, -np.inf], np.nan)),
    MinMaxScaler(),
    SimpleImputer(strategy='median', add_indicator=True),
    ),
'oh_pipe': make_pipeline(
     FunctionTransformer(lambda x: x.astype(str)),
     SimpleImputer(strategy='constant'),
     OneHotEncoder(handle_unknown='ignore')
    )
}

Answer 2

只是在这里添加其他答案。我不是 Python 或数据科学专家，但您可以将另一个管道传递给 ColumnTransformer，以便执行您需要的操作，将多个转换器添加到列中。我来到这里寻找相同问题的答案并找到了这个解决方案。

通过管道完成这一切使您能够更轻松地控制测试/训练数据以避免泄漏，并且还开辟了更多网格搜索的可能性。由于这些原因，我个人不喜欢在另一个答案中使用 pandas 方法，但它仍然可以正常工作。

encoder_cat_pipeline = Pipeline([
    ('ordinal', OrdinalEncoder(categories=ord_mapping)),
    ('pass_ord', OneHotEncoder()),
])

imputer_cat_pipeline = ColumnTransformer([
    ('imp_miss', SimpleImputer(strategy='constant'), cat_columns_fill_miss),
    ('new_pipeline', encoder_cat_pipeline, cat_columns_fill_freq)
])

cat_pipeline = Pipeline([
    ('imp_cat', imputer_cat_pipeline),
])

Answer 3

选项 #2

使用 ma​​ke_pipeline 功能

（有同样的错误，找到这个答案，而不是找到这个：Introducing the ColumnTransformer）

from sklearn.compose import make_column_transformer
from sklearn.pipeline import make_pipeline

cat_columns_fill_miss = ['PoolQC', 'Alley']
cat_columns_fill_freq = ['Street', 'MSZoning', 'LandContour']
cat_columns_ord = ['Street', 'Alley', 'PoolQC']
ord_mapping = [['Pave', 'Grvl'],                          # Street
               ['missing_value', 'Pave', 'Grvl'],         # Alley
               ['missing_value', 'Fa', 'TA', 'Gd', 'Ex']  # PoolQC
               ]
cat_columns_onehot = ['MSZoning', 'LandContour']

imputer_cat_pipeline = make_column_transformer(
    (make_pipeline(SimpleImputer(strategy='constant'), cat_columns_fill_miss),
    (make_pipeline(SimpleImputer(strategy='most_frequent'), cat_columns_fill_freq),
)

encoder_cat_pipeline = make_column_transformer(
    (OrdinalEncoder(categories=ord_mapping), cat_columns_ord),
    (OneHotEncoder(), cat_columns_onehot),
)

cat_pipeline = Pipeline([
    ('imp_cat', imputer_cat_pipeline),
    ('cat_encoder', encoder_cat_pipeline),
])

在我自己的管道中，我在列空间中没有重叠的预处理。所以我不确定转换和“外部流水线”是如何工作的。

但是，重要部分是在 SimpleImputer 周围使用 make_pipeline 以在管道中正确使用它：

imputer_cat_pipeline = make_column_transformer(
    (make_pipeline(SimpleImputer(strategy='constant'), cat_columns_fill_miss),
)

Answer 4

ColumnTransformer 返回numpy.array，因此它不能具有列属性（如您的错误所示）。

如果我可以提出不同的解决方案，请使用pandas 完成您的两项任务，这样会更容易。

第 1 步 - 替换缺失值

要使用missing_value 字符串替换列子集中的缺失值，请使用以下命令：

dataframe[["PoolQC", "Alley"]].fillna("missing_value", inplace=True)

对于其余部分（用每列的平均值估算），这将完美地工作：

dataframe[["Street", "MSZoning", "LandContour"]].fillna(
    dataframe[["Street", "MSZoning", "LandContour"]].mean(), inplace=True
)

第 2 步 - 一个热编码和分类变量

pandas 提供get_dummies，它返回pandas Dataframe，与ColumnTransfomer 不同，此代码为：

encoded = pd.get_dummies(dataframe[['MSZoning', 'LandContour']], drop_first=True)
pd.dropna(['MSZoning', 'LandContour'], axis=columns, inplace=True)
dataframe = dataframe.join(encoded)

对于序数变量及其编码，我建议您查看at this SO answer（不幸的是，在这种情况下需要一些手动映射）。

如果你还是想使用变压器

使用values 属性从数据帧中获取np.array，将其通过管道并从数组中重新创建列和索引，如下所示：

pd.DataFrame(data=your_array, index=np.arange(len(your_array)), columns=["A", "B"])

不过，这种方法有一个警告；您将不知道自定义创建的单热编码列的名称（管道不会为您执行此操作）。

此外，您可以从 sklearn 的转换对象中获取列的名称（例如，使用 categories_ 属性），但我认为它会破坏管道（如果我错了，请有人纠正我）。