不同特征的数据预处理步骤

Question

我想在分类器中包含多个功能，以更好地提高模型性能。我有一个类似于这个的数据集

Text	is_it_capital?	is_it_upper?	contains_num?	Label
an example of text	0	0	0	0
ANOTHER example of text	1	1	0	1
What's happening?Let's talk at 5	1	0	1	1

我正在对文本应用不同的预处理算法（BoW、TF-IDF 等）。通过选择 X= df['Text'] 并应用预处理算法，在我的分类器中仅使用文本列是 'easy'。但是，我现在还想包括 is_it_capital? 和其他变量（标签除外）作为特征，因为我发现它们可能对我的分类器有用。我尝试的是以下内容：

X=df[['Text','is_it_capital?', 'is_it_upper?', 'contains_num?']]
y=df['Label']

from sklearn.base import TransformerMixin
class DenseTransformer(TransformerMixin):
    def fit(self, X, y=None, **fit_params):
        return self
    def transform(self, X, y=None, **fit_params):
        return X.todense()

from sklearn.pipeline import Pipeline
pipeline = Pipeline([
     ('vectorizer', CountVectorizer()), 
     ('to_dense', DenseTransformer()), 
])

transformer = ColumnTransformer([('text', pipeline, 'Text')], remainder='passthrough')

X_train, X_test, y_train, y_test  = train_test_split(X, y, test_size=0.25, random_state=40)

X_train = transformer.fit_transform(X_train)
X_test = transformer.transform(X_test)

df_train = pd.concat([X_train, y_train], axis=1)
df_test = pd.concat([X_test, y_test], axis=1)

#Logistic regression
logR_pipeline = Pipeline([
        ('LogRCV',countV),
        ('LogR_clf',LogisticRegression())
        ])

logR_pipeline.fit(df_train['Text'], df_train['Label'])
predicted_LogR = logR_pipeline.predict(df_test['Text'])
np.mean(predicted_LogR == df_test['Label'])

但是我得到了错误：

TypeError: cannot concatenate object of type '<class 'scipy.sparse.csr.csr_matrix'>'; only Series and DataFrame objs are valid

有没有人处理过类似的问题？我该如何解决？我的目标是在我的分类器中包含所有特征。

更新：

我也试过这个：

from sklearn.base import BaseEstimator,TransformerMixin

class custom_count_v(BaseEstimator,TransformerMixin):
    def __init__(self,tfidf):
        self.tfidf = tfidf

    def fit(self, X, y=None):
        joined_X = X.apply(lambda x: ' '.join(x), axis=1)
        self.tfidf.fit(joined_X)        
        return self

    def transform(self, X):
        joined_X = X.apply(lambda x: ' '.join(x), axis=1)

        return self.tfidf.transform(joined_X)        


count_v = CountVectorizer() 

clmn = ColumnTransformer([("count", custom_count_v(count_v), ['Text'])],remainder="passthrough")
clmn.fit_transform(df)

它不会 return 任何错误，但不清楚我是否正确地包含了所有功能，以及我是否需要在 train/test [=39= 之前或之后执行此操作] 如果你能告诉我直到应用分类器，那将非常有帮助：

#Logistic regression
logR_pipeline = Pipeline([
        ('LogRCV',....),
        ('LogR_clf',LogisticRegression())
        ])

logR_pipeline.fit(....)
predicted_LogR = logR_pipeline.predict(...)
np.mean(predicted_LogR == ...)

应该用数据框或列代替点（我猜这取决于转换和连接），以便改进我犯的步骤和错误。

Answer 1

您的错误似乎是试图连接数组和系列。

我对pipeline和columntransformer不熟悉，所以我可能弄错了；似乎它没有从 CountVectorizer 捕获特征名称，因此拥有未标记的数据帧不会有任何好处：也许你可以坚持使用 numpy 数组。如果我弄错了，从 np.array 跳到数据帧应该很容易...

所以，你可以这样做：

df_train = np.append(
  X_train, #this is an array
  np.array(y_train).reshape(len(y_train),1), #convert the Serie to numpy array of correct shape
  axis=1)
print(df_train)

[[1 0 1 0 0 1 0 1 0 1 1 0 1]
 [0 1 0 1 1 0 1 0 1 1 0 1 1]]

希望这会有所帮助（尽管正如我所说，我对这些 sklearn 库不熟悉...）

编辑

更完整的东西，没有那些管道（我不确定是否需要这些管道）；由于输入数据集，它在我的电脑上失败了，但你可能会更成功地使用你的完整数据集。

df = pd.DataFrame(
        [["an example of text", 0, 0, 0, 0],
         ["ANOTHER example of text", 1, 1, 0, 1],
         ["What's happening?Let's talk at 5", 1, 0, 1, 1]
        ],
        columns=["Text", "is_it_capital?", "is_it_upper?", "contains_num?", "Label"]
        )

X=df[['Text','is_it_capital?', 'is_it_upper?', 'contains_num?']]
y=df['Label']

X_train, X_test, y_train, y_test  = train_test_split(X, y, test_size=0.25, random_state=40)

cv = CountVectorizer()

X_train = (
        pd.DataFrame(
                cv.fit_transform(X_train['Text']).toarray(),
                columns=cv.get_feature_names(),
                index=X_train.index
                ) #This way you keep the labels/indexes in a dataframe format
        .join(X_train.drop('Text', axis=1)) #add your previous 'get_dummies' columns
        )

X_test = (
        pd.DataFrame(
                cv.transform(X_test['Text']).toarray(),
                columns=cv.get_feature_names(),
                index=X_test.index
                )
        .join(X_test.drop('Text', axis=1))
        )

#Then compute your regression directly :
lr = LogisticRegression()
lr = lr.fit(X_train, y_train)
y_pred = lr.predict(X_test)

不同特征的数据预处理步骤

Data pre-processing steps with different features

python

transformation

machine-learning

feature-selection

scikit-learn