如何在 scikit-learn 管道中的 CountVectorizer 之前包含 SimpleImputer？

Question

我有一个包含一列文本的 pandas DataFrame，我想 使用 scikit-learn 的 [=13] 向量化文本 =].但是，文本包含缺失值，因此我想 在矢量化之前估算一个常数值。

我最初的想法是创建一个 Pipeline 的 SimpleImputer 和 CountVectorizer:

import pandas as pd
import numpy as np
df = pd.DataFrame({'text':['abc def', 'abc ghi', np.nan]})

from sklearn.impute import SimpleImputer
imp = SimpleImputer(strategy='constant')

from sklearn.feature_extraction.text import CountVectorizer
vect = CountVectorizer()

from sklearn.pipeline import make_pipeline
pipe = make_pipeline(imp, vect)

pipe.fit_transform(df[['text']]).toarray()

然而，fit_transform 错误是因为 SimpleImputer 输出一个 2D 数组 而 CountVectorizer 需要 1D 输入。这是错误消息：

AttributeError: 'numpy.ndarray' object has no attribute 'lower'

问题：我如何修改这个 Pipeline 才能正常工作？

注意： 我知道我可以在 pandas 中估算缺失值。但是，我想在 scikit-learn 中完成所有预处理，以便可以使用 Pipeline.

将相同的预处理应用于新数据

Answer 1

我找到的最佳解决方案是 将自定义转换器 插入 Pipeline 中，将 SimpleImputer 的输出从 2D 重塑为 1D 之前传递给 CountVectorizer.

完整代码如下：

import pandas as pd
import numpy as np
df = pd.DataFrame({'text':['abc def', 'abc ghi', np.nan]})

from sklearn.impute import SimpleImputer
imp = SimpleImputer(strategy='constant')

from sklearn.feature_extraction.text import CountVectorizer
vect = CountVectorizer()

# CREATE TRANSFORMER
from sklearn.preprocessing import FunctionTransformer
one_dim = FunctionTransformer(np.reshape, kw_args={'newshape':-1})

# INCLUDE TRANSFORMER IN PIPELINE
from sklearn.pipeline import make_pipeline
pipe = make_pipeline(imp, one_dim, vect)

pipe.fit_transform(df[['text']]).toarray()

proposed on GitHub CountVectorizer 应该允许二维输入，只要第二维为 1（意思是：单列数据）。对 CountVectorizer 的修改将是解决此问题的好方法！

Answer 2

一个解决方案是创建一个 class 关闭 SimpleImputer 并覆盖其 transform() 方法：

import pandas as pd
import numpy as np
from sklearn.impute import SimpleImputer


class ModifiedSimpleImputer(SimpleImputer):
    def transform(self, X):
        return super().transform(X).flatten()


df = pd.DataFrame({'text':['abc def', 'abc ghi', np.nan]})

imp = ModifiedSimpleImputer(strategy='constant')

from sklearn.feature_extraction.text import CountVectorizer
vect = CountVectorizer()

from sklearn.pipeline import make_pipeline
pipe = make_pipeline(imp, vect)

pipe.fit_transform(df[['text']]).toarray()

Answer 3

当我有一维数据时，我将这个一维包装器用于 sklearn Transformer。我认为，在您的情况下，此包装器可用于包装一维数据（具有字符串值的 pandas 系列）的 simpleImputer。

class OneDWrapper:
    """One dimensional wrapper for sklearn Transformers"""

    def __init__(self, transformer):
        self.transformer = transformer

    def fit(self, X, y=None):
        self.transformer.fit(np.array(X).reshape(-1, 1))
        return self

    def transform(self, X, y=None):
        return self.transformer.transform(
            np.array(X).reshape(-1, 1)).ravel()

    def inverse_transform(self, X, y=None):
        return self.transformer.inverse_transform(
            np.expand_dims(X, axis=1)).ravel()

现在，您不需要管道中的额外步骤。

one_d_imputer = OneDWrapper(SimpleImputer(strategy='constant'))
pipe = make_pipeline(one_d_imputer, vect)
pipe.fit_transform(df['text']).toarray() 
# note we are feeding a pd.Series here!

如何在 scikit-learn 管道中的 CountVectorizer 之前包含 SimpleImputer？

How to include SimpleImputer before CountVectorizer in a scikit-learn Pipeline?

python

machine-learning

scikit-learn

imputation

countvectorizer