如何 return 来自管道内 sklearn TFIDF Vectorizer 的数据帧?

How to return a dataframe from sklearn TFIDF Vectorizer within pipeline?

如何在用于交叉验证的 sklearn 管道中将 TFIDF Vectorizer return 具有相应列名的 pandas 数据帧?

我有一个 Sklearn 管道,其中一个步骤是 TFIDF Vectorizer:

class InspectPipeline(BaseEstimator, TransformerMixin):

    def transform(self, x):
        return x

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


pipeline = Pipeline(
        [
         ("selector", ItemSelector(key="text_column")),
         ("vectorizer", TfidfVectorizer()),
         ("debug", InspectPipeline()),
         ("classifier", RandomForestClassifier())
        ]
)

我创建了 class InspectPipeline 以便稍后检查传递给 classifier 的功能是什么(通过 运行 pipeline.best_estimator_.named_steps['debug'].df) .但是,TfidfVectorizer return 是一个稀疏矩阵,这是我在 pipeline.best_estimator_.named_steps['debug'].df 时得到的。我不想获得稀疏矩阵,而是希望将 TFIDF 向量作为 pandas 数据帧,其中列名是相应的 tfidf 标记。

我知道 tfidf_vectorizer.get_feature_names() 可以帮助了解列名。但是我如何在管道中包含这个 + 将稀疏矩阵转换为数据帧?

您可以将 TfidfVectorizer 扩展为 return 具有所需列名的 DataFrame,并在您的管道中使用它。

from sklearn.feature_extraction.text import TfidfVectorizer
import pandas as pd

class DenseTfidfVectorizer(TfidfVectorizer):

    def transform(self, raw_documents, copy=True):
        X = super().transform(raw_documents, copy=copy)
        df = pd.DataFrame(X.toarray(), columns=self.get_feature_names())
        return df

    def fit_transform(self, raw_documents, y=None):
        X = super().fit_transform(raw_documents, y=y)
        df = pd.DataFrame(X.toarray(), columns=self.get_feature_names())
        return df

根据docs,您可以使用以下方法

一个。直接访问管道外的 .get_feature_names() 并在那里检查数据框(带有命名列)

b。 apply .fit_transform on data管道外

pipeline = Pipeline(....)

# a. extract .get_feature_names() to use as column names in the dataframe
feature_names = (
                pipeline.best_estimator_
                        .named_steps['vectorizer']
                        .get_feature_names()
                )    

# b. get the TFIDF vector
data2 = (
         pipeline.best_estimator_
                 .named_steps['vectorizer']
                 .fit_transform(raw_data)
        )

# put into a pandas dataframe
transformed = pd.DataFrame(data2, columns=feature_names)

这样您或许可以完全跳过管道中的 debug 步骤并检查管道外的数据框。