使用 FeatureUnion 从不同的列向 countvectorizer 添加特征

Question

我目前正在尝试向使用 scikit-learn 创建的 countvectorizer 矩阵添加附加功能。

工作流程如下：我有一个数据框，其中包含一个包含文本的列和一个包含附加功能的列。

我首先将我的数据拆分为训练数据和测试数据数据帧。然后我将 countvectorizer 应用到训练数据的文本列。然后我将 countvectorizer 矩阵作为输入来拟合 RandomForest 分类器。

我现在想要实现的是，我想运行带有矩阵的 RandomForest 分类器和数据框另一列中的附加功能。

我该如何做到最好？我已经阅读了有关 scikit feature-union 的内容，但无法在我的数据框中使用不同的列。

这是一个代码示例：

# Split the data
x_train, x_test, y_train, y_test = train_test_split(df.drop(['gender'], axis=1), df['gender'], test_size=0.2)
df_x_train = pandas.DataFrame(x_train)
df_x_test = pandas.DataFrame(x_test)
df_y_train = pandas.DataFrame(y_train)
df_y_test  = pandas.DataFrame(y_test)

vectorizer = CountVectorizer()
X__train = vectorizer.fit_transform(df_x_train['text']).toarray()
X__test = vectorizer.transform(df_x_test['text']).toarray()

# Now here I would like to add df['feature_new'] to my X_train and X_test

model = RandomForest()
model.fit(X_train, df_y_train['gender'])
...

Answer 1

您正在寻找 ColumnTransformer，而不是 FeatureUnion。后者将多个转换器应用于每一列，而前者允许您将转换器应用于特定列。

preproc = ColumnTransformer(
    [('text_vect', CountVectorizer(), 'text')],
    remainder='passthrough',
)
x_train_preproc = preproc.fit_transform(x_train)
x_test_preproc = preproc.transform(x_test)

model.fit(x_train_preproc, y_train)

您可以为其他列添加另一个转换器，而不是仅通过 remainder 传递它们。我会考虑使用 Pipeline 将模型添加到与预处理相同的对象中；它为您节省了一些争论“预处理”数据集的时间。请注意，ColumnTransformer 中的列规范在维度上有点挑剔；文本预处理器一般需要一维输入。

ColumnTransformer，至少正如我给出的那样，需要数据帧作为输入（因此 text 指的是列名）。如果输入是，train_test_split 的输出将是帧，sklearn 方法都将帧作为输入就好了，所以只需删除帧转换和数组转换 .toarray().

使用 FeatureUnion 从不同的列向 countvectorizer 添加特征

Add feature to countvectorizer from different column with FeatureUnion

machine-learning

feature-extraction

pandas

random-forest

scikit-learn