将 ColumnTransformer 用于管道时出现 AttributeError

Question

这是我的第一个机器学习项目，也是我第一次使用 ColumnTransformer。我的目标是执行数据预处理的两个步骤，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，用于某些功能，并为其余功能替换最常见的值。因此，我使用 ColumnTransformer 将这两个操作结合起来，并将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，当我将它应用于 Housing_cat 时，我的数据框的子集仅包含分类特征，

cat_pipeline.fit_transform(housing_cat)

我收到错误：

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：仅熊猫数据帧支持使用字符串指定列

我试过这个简化的管道，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。

然后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中的相同，所以我仍然不清楚为什么只有在第二步中我才得到属性错误......

Answer 1

ColumnTransformerReturns numpy.array，因此它不能具有 column 属性（如您的错误所示）。

如果我可以建议不同的解决方案，pandas用于您的两项任务，它会更容易。

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)

对于其余的（用每列的平均值进行估算），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，它返回熊猫数据帧，与 不同ColumnTransfomer，它的代码是：

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，我建议您查看这个 SO answer（不幸的是，在这种情况下需要一些手动映射）。

如果您无论如何都想使用变压器

np.array使用values属性从数据帧中获取，通过管道传递它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"])

但是，这种方法有一个警告：您不会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（例如使用categories_属性）中获取列的名称，但我认为它会破坏管道（如果我错了，有人会纠正我）。

Answer 2

选项#2

使用make_pipeline函数

（有同样的错误，找到了这个答案，而不是找到了这个：介绍 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。所以我不确定转换而不是“外部流水线”是如何工作的。

但是，重要的部分是在 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),
)