Sklearn：异质特征的FeatureUnion与管道中的分类器产生不兼容的行尺寸错误

Question

我想根据我拥有的不同特征（文本和数字）进行二进制分类。训练数据是熊猫数据框的形式。我的管道看起来像这样：

final_pipeline = Pipeline([('union', FeatureUnion(
                transformer_list=[('body_trans', Pipeline([('selector', ItemSelector(key='body')),
                                                          ('count_vect', CountVectorizer())])),
                                  ('body_trans2', Pipeline([('selector', ItemSelector(key='body2')),
                                                          ('count_vect', TfidfVectorizer())])),
                                 ('length_trans', Pipeline([('selector', ItemSelector(key='length')),
                                                           ('min_max_scaler',  MinMaxScaler())]))],
                transformer_weights={'body_trans': 1.0,'body_trans2': 1.0,'length_trans': 1.0})),
                          ('svc', SVC())])

ItemSelector 看起来像这样：

class ItemSelector(BaseEstimator, TransformerMixin):
    def __init__(self, key):
        self.key = key

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

    def transform(self, data_frame):
        return data_frame[[self.key]]

现在，当我尝试final_pipeline.fit(X_train, y_train) 时，它给了我ValueError: blocks[0,:] has incompatible row dimensions 异常。

X_train, X_test, y_train, y_test = train_test_split(train_set, target_set)

是我获取训练数据的方式。 train_set 是一个数据框，其中包含 body、body2、length 等字段。target_set 是一个只有一个名为 label 的字段的数据框，这是我要分类的实际标签。

编辑：

我认为我输入到管道的数据格式不正确。

train_set 是我的带有特征的训练数据，样本：

   body           length  body2
0  blah-blah      193     blah-blah-2
1  blah-blah-blah 153     blah-blah-blah-2 

还有target_set，这是带有分类标签的DataFrame

  label
0  True
1  False

如果有关于使用 DataFrames 的 Pipeline 拟合参数的输入格式的教程，请给我一个链接！我找不到关于如何在使用多列作为单独功能时将 DataFrames 作为管道的输入加载的适当文档。

感谢任何帮助！

Answer 1

问题出在您的 ItemSelector 中。它输出一个二维数据帧，但 CountVectorizer 和 TfidfVectorizer 需要一个一维字符串数组。

显示ItemSelector输出的代码：-

import numpy as np
from pandas import DataFrame
df = DataFrame(columns = ['body','length','body2'],data=np.array([['blah-blah', 193, 'blah-blah-2'],['blah-blah-2', 153, 'blah-blah-blah-2'] ]))

body_selector = ItemSelector(key='body')
df_body = body_selector.fit_transform(df)

df_body.shape
# (2,1)

您可以定义另一个类，该类可以将数据以正确的形式呈现给下一步。

像这样将此类添加到您的代码中：

class Converter(BaseEstimator, TransformerMixin):
    def fit(self, x, y=None):
        return self

    def transform(self, data_frame):
        return data_frame.values.ravel()

然后像这样定义你的管道：

final_pipeline = Pipeline([('union', FeatureUnion(
                transformer_list=[('body_trans', Pipeline([('selector', ItemSelector(key='body')),
                                                           ('converter', Converter()),
                                                          ('count_vect', CountVectorizer())])),
                                  ('body_trans2', Pipeline([('selector', ItemSelector(key='body2')),
                                                            ('converter', Converter()),
                                                          ('count_vect', TfidfVectorizer())])),
                                 ('length_trans', Pipeline([('selector', ItemSelector(key='length')),
                                                           ('min_max_scaler',  MinMaxScaler())]))],
                transformer_weights={'body_trans': 1.0,'body_trans2': 1.0,'length_trans': 1.0})),
                          ('svc', SVC())])

无需将其添加到第三部分，因为 MinMaxScalar 需要二维输入数据。

如有任何问题，请随时询问。