Sklearn Pipeline 连接轴的所有输入数组维度必须完全匹配

Question

import pandas as pd
from sklearn.feature_extraction.text import CountVectorizer, TfidfTransformer
from sklearn.pipeline import Pipeline
from sklearn.svm import LinearSVC
from sklearn.preprocessing import MinMaxScaler
from sklearn.compose import ColumnTransformer

data = [[1, 3, 4, 'text', 'pos'], [9, 3, 6, 'text more', 'neg']]
data = pd.DataFrame(data, columns=['Num1', 'Num2', 'Num3', 'Text field', 'Class'])

tweet_text_transformer = Pipeline(steps=[
    ('count_vectoriser', CountVectorizer()),
    ('tfidf', TfidfTransformer())
])

numeric_transformer = Pipeline(steps=[
    ('scaler', MinMaxScaler())
])

preprocessor = ColumnTransformer(transformers=[
    # (name, transformer, column(s))
    ('tweet', tweet_text_transformer, ['Text field']),
    ('numeric', numeric_transformer, ['Num1', 'Num2', 'Num3'])
])

pipeline = Pipeline(steps=[
    ('preprocessor', preprocessor),
    ('classifier', LinearSVC())
])

X_train = data.loc[:, 'Num1':'Text field']
y_train = data['Class']
pipeline.fit(X_train, y_train)

我不明白这个错误来自哪里：

ValueError：串联轴的所有输入数组维度必须完全匹配，但沿着维度 0，索引 0 处的数组大小为 1，索引 1 处的数组大小为 2

Answer 1

原因

问题出在preprocessor管道中，该管道的工作方式是将 的输出tweet_text_transformer和 的输出numeric_transformer水平堆叠，为了成功实现这一点，输出（tweet_text_transformer 和 numeric_transformer）必须具有相同的行数（即：元素数）在轴 0 或维度 0 中）

但是，当执行上述管道时tweet_text_processor，尽管我们希望它实际上给出具有 4 个元素的 2 * 2 矩阵，因为 CountVectorizer 将输出存储为稀疏矩阵，但它会删除矩阵中的所有零（以节省内存），这会将数组减少到 2 *2 矩阵，但其中只有 3 个元素，当它与 numeric_transformer 的输出堆叠时，它不满足上述条件（因为数字转换器在轴 0 中有两个元素，而 twwet_text_processor 不会）

解释的输出

解决方案

• 创建一个自定义转换器，将该稀疏矩阵转换为 numpy 数组
• 另外，由于只有一列，因此压缩 Pandas 数据框以将其转换为 Panadas Series

import pandas as pd
from sklearn.feature_extraction.text import CountVectorizer, TfidfTransformer
from sklearn.base import BaseEstimator, TransformerMixin
from sklearn.pipeline import Pipeline
from sklearn.svm import LinearSVC
from sklearn.preprocessing import MinMaxScaler
from sklearn.compose import ColumnTransformer

data = [[1, 3, 4, 'text', 'pos'], [9, 3, 6, 'text more', 'neg']]
data = pd.DataFrame(data, columns=['Num1', 'Num2', 'Num3', 'Text field', 'Class'])



class TweetTextProcessor(BaseEstimator, TransformerMixin):
    def __init__(self):
        self.tweet_text_transformer = Pipeline(steps=[
        ('count_vectoriser', CountVectorizer()),
        ('tfidf', TfidfTransformer())    ])
       
        
    def fit(self, X, y=None):
        return self

    def transform(self, X, y=None):
       
        return  self.tweet_text_transformer.fit_transform(X.squeeze()).toarray()
        




numeric_transformer = Pipeline(steps=[
    ('scaler', MinMaxScaler())
])

preprocessor = ColumnTransformer(transformers=[
    ('tweet', TweetTextProcessor(), ['Text field']),
    ('numeric', numeric_transformer, ['Num1', 'Num2', 'Num3'])
])

pipeline = Pipeline(steps=[
    ('preprocessor', preprocessor),
    ('classifier', LinearSVC())
])

X_train = data.loc[:, 'Num1':'Text field']
y_train = data['Class']
pipeline.fit(X_train, y_train)

上面的代码应该可以工作，否则请告诉我，或者如果解释不清楚（希望如此）