Sklearn：异质特征的 FeatureUnion 给出了与管道中分类器不兼容的行维度错误

Question

我想根据我拥有的不同特征（文本和数字）进行二元分类。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，当我尝试时final_pipeline.fit(X_train, y_train)，它给了我ValueError: blocks[0,:] has incompatible row dimensions例外。

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是的字段的数据帧body，body2，length等target_set与只叫领域的数据帧label这是我的实际标签进行分类。

编辑：

我认为我输入到管道的数据格式不正确。

train_set 是我的训练数据的特征，样本：

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

和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 的管道拟合参数的输入格式的任何教程，请提供链接！我找不到有关如何在使用多列作为单独功能的同时加载 DataFrame 作为管道输入的正确文档。

任何帮助表示赞赏！

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，该类可以将要以正确形式呈现给下一步的数据分解。

将此类添加到您的代码中，如下所示：

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。

如果有任何问题，请随时询问。