scikit-learn 转换器根据用户提供的切点对数据进行分类

Question

我正在尝试在 scikit-learn 管道中包含一个转换器，该转换器将根据我自己提供的切点将连续数据列合并为 4 个值。 KBinsDiscretizer 的当前参数不起作用，主要是因为 strategy 参数仅接受 {‘uniform’, ‘quantile’, ‘kmeans’}。

pandas 中已经有 cut() 函数，所以我想我需要创建一个自定义转换器来包装 cut() 函数行为。

期望的行为（不是实际的）

X = [[-2, -1, -0.5, 0, 0.5, 1, 2]]
est = Discretizer(bins=[-float("inf"), -1.0, 0.0, 1.0, float("inf")], 
                  encode='ordinal')
est.fit(X)  
est.transform(X)
# >>> array([[0., 0., 1., 1., 2., 2., 3.]])

上面的结果假定 bins 包括最右边的边缘和最低的边缘。像这样 pd.cut() 命令将提供：

import pandas as pd
import numpy as np
pd.cut(np.array([-2, -1, -0.5, 0, 0.5, 1, 2]),
       [-float("inf"), -1.0, 0.0, 1.0, float("inf")], 
       labels=False, right=True, include_lowest=True)
# >>> array([0, 0, 1, 1, 2, 2, 3])

Answer 1

作为自定义转换器，这似乎对我有用。 scikit-learn 需要数字数组，所以我不确定您是否可以实现 pd.cut() 的功能，即 return 标签。出于这个原因，我在下面的实现中将其硬编码为 False。

import pandas as pd
from sklearn.base import BaseEstimator, TransformerMixin

class CutTransformer(BaseEstimator, TransformerMixin):
    def __init__(self, bins, right=True, retbins=False,
                 precision=3, include_lowest=False,
                 duplicates='raise'):
        self.bins = bins
        self.right = right
        self.labels = False
        self.retbins = retbins
        self.precision = precision
        self.include_lowest = include_lowest
        self.duplicates = duplicates

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

    def transform(self, X, y=None):
        assert isinstance(X, pd.DataFrame)
        for jj in range(X.shape[1]):
            X.iloc[:, jj] = pd.cut(x=X.iloc[:, jj].values, **self.__dict__)
        return X

一个例子

df = pd.DataFrame(data={'rand': np.random.rand(5)})
df
    rand
0   0.030653
1   0.542533
2   0.159646
3   0.963112
4   0.539530

ct = CutTransformer(bins=np.linspace(0, 1, 5))
ct.transform(df)
    rand
0   0
1   2
2   0
3   3
4   2

Answer 2

自定义转换器的替代方法会产生更多开销，它是使用 FunctionTransformer() 方法，该方法适用于无状态操作，例如预定义 bin 的情况。

import pandas as pd
from sklearn.preprocessing import FunctionTransformer
from sklearn.pipeline import make_pipeline

def ftransformer_cut(X, **kwargs):
    if 'labels' not in kwargs:
        kwargs['labels'] = False

    assert isinstance(X, np.ndarray)
    assert kwargs['labels'] == False

    for jj in range(X.shape[1]):
        X[:, jj] = pd.cut(x=X[:, jj], **kwargs)

    return X

pipeline = make_pipeline(
    FunctionTransformer(ftransformer_cut,
                        kw_args={'bins': np.linspace(0, 1, 5)})
)

df = pd.DataFrame(data={'rand': np.random.rand(5)})
    rand
0   0.823234
1   0.336883
2   0.713595
3   0.408184
4   0.038

pipeline.transform(df)
array([[3.],
       [1.],
       [2.],
       [1.],
       [0.]])

Answer 3

唯一的问题是您只是转换传入数据，而不是在拟合阶段从训练中学习 bin 并在转换阶段使用该信息。理想情况下，您应该在拟合期间学习 bin 边缘并在变换期间分配 bin。

scikit-learn 转换器根据用户提供的切点对数据进行分类

scikit-learn transformer that bins data based on user supplied cut points

python

numpy

pandas

scikit-learn

sklearn-pandas