使用 pandas 和 scikit (OneHotEncoder) 对逻辑回归的分类变量进行虚拟化

Question

我在scikit 阅读了有关新事物的this 博客。 OneHotEncoder 接受字符串似乎是一个有用的功能。下面我尝试使用这个

import pandas as pd

from sklearn.linear_model import LogisticRegression
from sklearn.preprocessing import OneHotEncoder
from sklearn.compose import ColumnTransformer

cols = ['Survived', 'Pclass', 'Sex', 'Age', 'SibSp', 'Parch', 'Fare', 'Embarked']

train_df = pd.read_csv('../../data/train.csv', usecols=cols)
test_df = pd.read_csv('../../data/test.csv', usecols=[e for e in cols if e != 'Survived'])

train_df.dropna(inplace=True)
test_df.dropna(inplace=True)

X_train = train_df.drop("Survived", axis=1)
Y_train = train_df["Survived"]
X_test = test_df.copy()

ct = ColumnTransformer([("onehot", OneHotEncoder(sparse=False), ['Sex', 'Embarked'])], remainder='passthrough')

X_train_t = ct.fit_transform(train_df)
X_test_t  = ct.fit_transform(test_df)

print(X_train_t[0])
print(X_test_t[0])

# [ 0.    1.    0.    0.    1.    0.    3.   22.    1.    0.    7.25]
# [ 0.    1.    0.    1.    0.          3. 34.5     0.    0.  7.8292]

logreg = LogisticRegression(max_iter=5000)
logreg.fit(X_train_t, Y_train)
Y_pred = logreg.predict(X_test_t) # ValueError: X has 10 features per sample; expecting 11
acc_log = round(logreg.score(X_train, Y_train) * 100, 2)

print(acc_log)

我在这段代码中遇到了以下 python 错误，并且我还有一些其他问题。

ValueError: X 每个样本有 10 个特征；预计 11

从头开始......这个脚本是为来自 kaggle 的“泰坦尼克号”数据集编写的。我们有五个数字列Pclass、Age、SibSp、Parch 和Fare。 Sex 和 Embarked 列是类别 male/female 和 Q/S/C（这是城市名称的缩写）。

我从OneHotEncoder 了解到的是，它通过放置额外的列来创建虚拟变量。实际上ct.fit_transform() 的输出现在不再是pandas 数据帧而是numpy 数组。但是从打印调试语句中可以看出，现在已经超过了原来的 7 列。

我遇到了三个问题：

1. 由于某种原因，test.csv 少了一列。这向我表明，其中一个类别的选择较少。为了解决这个问题，我必须在训练 + 测试数据的类别中找到所有可用选项。然后使用这些选项（例如男性/女性）分别转换训练和测试数据。我不知道如何使用我正在使用的工具（pandas、scikit 等）来做到这一点。再三考虑..检查数据后，我在test.csv 中找不到丢失的选项..

2. 我想避免使用“dummy variable trap”。现在似乎创建了太多列。我期待 1 列用于 Sex（总选项 2 - 1 以避免陷阱）和 2 用于登船。加上额外的 5 个数字列，总计 8 个。

3. 我不再识别转换的输出。我更喜欢新的数据框，其中新的虚拟列已经给出了自己的名称，例如 Sex_male (1/0) Embarked_Q (1/0) 和 Embarked_S(1/0)

我只习惯于使用gretl，在那里对变量进行虚拟化并省略一个选项是很自然的。我不知道在 python 中我是否做错了，或者这种情况是否不是标准 scikit 工具包的一部分。有什么建议吗？也许我应该为此编写一个自定义编码器？

Answer 1

我将尝试单独回答您的所有问题。

问题 1 的答案

在您的代码中，您在火车和测试数据上都使用了fit_transform 方法，这不是正确的做法。通常，fit_transform 仅应用于您的训练数据集，它返回一个转换器，然后仅用于transform 您的测试数据集。当您在测试数据上应用fit_transform 时，您只需使用仅在您的测试数据集中可用的分类变量的选项/级别来转换您的测试数据，并且您的测试数据很可能不包含所有选项/所有分类变量的水平，因此您的训练和测试数据集的维度会有所不同，从而导致您得到的错误。

所以正确的做法是：

X_train_t = ct.fit_transform(X_train)
X_test_t  = ct.transform(X_test)

问题 2 的答案

如果您想避免“虚拟变量陷阱”，您可以在ColumnTransformer 中创建OneHotEncoder 对象时使用参数drop（通过将其设置为first），这将导致只为sex 创建一列，为Embarked 创建两列，因为它们分别有两个和三个选项/级别。

所以正确的做法是：

ct = ColumnTransformer([("onehot", OneHotEncoder(sparse=False, drop="first"), ['Sex','Embarked'])], remainder='passthrough')

问题 3 的答案

目前get_feature_names 方法尚未在sklearn 中实现，该方法可以使用新的虚拟列重建您的数据框。解决此问题的一种方法是将ColumnTransformer 构造中的reminder 更改为drop，并分别构造您的数据框，如下所示：

ct = ColumnTransformer([("onehot", OneHotEncoder(sparse=False, drop="first"), ['Sex', 'Embarked'])], remainder='drop')
A = pd.concat([X_train.drop(["Sex", "Embarked"], axis=1), pd.DataFrame(X_train_t, columns=ct.get_feature_names())], axis=1) 
A.head()

这将导致这样的结果：

您的最终代码将如下所示：

import pandas as pd
from sklearn.linear_model import LogisticRegression
from sklearn.preprocessing import OneHotEncoder
from sklearn.compose import ColumnTransformer

cols = ['Survived', 'Pclass', 'Sex', 'Age', 'SibSp', 'Parch', 'Fare', 'Embarked']

train_df = pd.read_csv('train.csv', usecols=cols)
test_df = pd.read_csv('test.csv', usecols=[e for e in cols if e != 'Survived'])

cols = ['Survived', 'Pclass', 'Sex', 'Age', 'SibSp', 'Parch', 'Fare', 'Embarked']

train_df = train_df.dropna()
test_df = test_df.dropna()

train_df = train_df.reset_index(drop=True)
test_df = test_df.reset_index(drop=True)

X_train = train_df.drop("Survived", axis=1)
Y_train = train_df["Survived"]
X_test = test_df.copy()

categorical_values = ['Sex', 'Embarked']
X_train_cont = X_train.drop(categorical_values, axis=1)
X_test_cont = X_test.drop(categorical_values, axis=1)

ct = ColumnTransformer([("onehot", OneHotEncoder(sparse=False, drop="first"), categorical_values)], remainder='drop')

X_train_categorical = ct.fit_transform(X_train)
X_test_categorical  = ct.transform(X_test)

X_train_t = pd.concat([X_train_cont, pd.DataFrame(X_train_categorical, columns=ct.get_feature_names())], axis=1)
X_test_t = pd.concat([X_test_cont, pd.DataFrame(X_test_categorical, columns=ct.get_feature_names())], axis=1)

logreg = LogisticRegression(max_iter=5000)
logreg.fit(X_train_t, Y_train)
Y_pred = logreg.predict(X_test_t)

acc_log = round(logreg.score(X_train_t, Y_train) * 100, 2)

print(acc_log)

80.34

当您执行X_train_t.head() 时，您会得到

希望这会有所帮助！

Answer 2

1. @Parthasarathy Subburaj 的回答中建议了推荐的做法，但我在 Kaggle 或其他比赛中看到，人们适合完整的数据（训练+测试）。如果您想尝试相同的方法，请使用以下格式

ct.fit(X_complete)
X_train_t, X_test_t  = ct.transform(X_test), ct.transform(X_test)

1. 是的，使用drop='first' 来解决这个问题。同时，请记住，这种多重共线性问题对于非线性模型（例如神经网络甚至决策树）来说并不是什么大问题。我相信这就是为什么不将其保留为默认 arg 参数值的原因。

2. get_feature_names 没有针对 sklearn 中的管道和其他内容彻底实现。因此，他们也支持完整的ColumnTransformer。

根据我的经验，我为ColumnTransfomer 构建了这个包装器，它甚至可以支持pipelines 或reminder=passthrough。

这还会获取get_feature_names 的功能名称，而不是将其称为x0, x1，因为我们使用_feature_names_in 知道ColumnTransformer 中的实际列名。

from sklearn.compose import ColumnTransformer
from sklearn.utils.validation import check_is_fitted

def _get_features_out(name, trans, features_in):
    if hasattr(trans, 'get_feature_names'):
        return [name + "__" + f for f in
                                  trans.get_feature_names(features_in)]
    else:
        return features_in


class NamedColumnTransformer(ColumnTransformer):
    def get_feature_names(self):
        check_is_fitted(self)
        feature_names = []
        for name, trans, features, _ in self._iter(fitted=True):
            if trans == 'drop':
                continue
            if trans == 'passthrough':
                feature_names.extend(self._feature_names_in[features])
            elif hasattr(trans, '_iter'):
                for _, op_name, t in trans._iter():
                    features=_get_features_out(op_name, t, features)
                feature_names.extend(features)
            elif not hasattr(trans, 'get_feature_names'):
                raise AttributeError("Transformer %s (type %s) does not "
                                     "provide get_feature_names."
                                     % (str(name), type(trans).__name__))
            else:
                feature_names.extend(_get_features_out(name, trans, features))

        return feature_names

现在，以您为例，

from sklearn.datasets import fetch_openml
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import OneHotEncoder
from sklearn.linear_model import LogisticRegression

# you can fetch the titanic dataset using this
X, y = fetch_openml("titanic", version=1,
                    as_frame=True, return_X_y=True)

# removing the columns which you are not using 
X.drop(['name', 'ticket', 'cabin', 'boat', 'body', 'home.dest'],
       axis=1, inplace=True)

X.dropna(inplace=True)
X.reset_index(drop=True, inplace=True)
y = y[X.index]

categorical_values = ['sex', 'embarked']

ct = NamedColumnTransformer([("onehot", OneHotEncoder(
    sparse=False, drop="first"), categorical_values)], remainder='passthrough')


clf = Pipeline(steps=[('preprocessor', ct),
                      ('classifier', LogisticRegression(max_iter=5000))])

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2)

clf.fit(X_train, y_train)


clf[0].get_feature_names()
# ['onehot__sex_male',
#  'onehot__embarked_Q',
#  'onehot__embarked_S',
#  'pclass',
#  'age',
#  'sibsp',
#  'parch',
#  'fare']

pd.DataFrame(clf[0].transform(X_train), columns=clf[0].get_feature_names())

您还可以尝试NamedColumnTransformer 以获得更有趣的ColumnTransformer 示例here。