如何使用 FeatureUnion 和 Pipeline 正确构建包含文本和数值数据的 SGDClassifier？

Question

我有一个功能 DF 看起来像

文字	人数
文本 1	0
文字2	1
...	...

其中 number 列是二进制的，text 列包含每行约 2k 个字符的文本。目标 DF 包含三个类.

def get_numeric_data(x):
    return [x.number.values]
def get_text_data(x):
    return [record for record in x.text.values]
transfomer_numeric = FunctionTransformer(get_numeric_data)
transformer_text = FunctionTransformer(get_text_data)

当尝试适应下面的代码时，我收到错误 File "C:\fakepath\scipy\sparse\construct.py", line 588, in bmat raise ValueError(msg) ValueError: blocks[0,:] has incompatible row dimensions. Got blocks[0,1].shape[0] == 98, expected 1.。我尝试以不同的方式构建函数 get_text_data 和 get_numerical_data，但 none 有所帮助。

combined_clf = Pipeline([
    ('features', FeatureUnion([
        ('numeric_features', Pipeline([
            ('selector', transfomer_numeric)
        ])),
        ('text_features', Pipeline([
            ('selector', transformer_text),
            ('vect', vect),
            ('tfidf', tfidf),
            ('scaler', scl),
        ]))
    ])),
    ('clf', SGDClassifier(random_state=42,
                          max_iter=int(10 ** 6 / len(X_train)), shuffle=True))
])
gs_clf = GridSearchCV(combined_clf, parameters, cv=5,n_jobs=-1)
gs_clf.fit(X_train, y_train)

Answer 1

主要问题是您return计算数值的方式。 x.number.values 将 return 一个形状为 (n_samples,) 的数组，FeatureUnion 对象稍后将尝试将其与文本特征转换的结果相结合。在您的情况下，转换后的文本特征的维度是 (n_samples, 98)，它不能与您为数字特征获得的向量相结合。

一个简单的解决方法是将向量重塑为维度为 (n_samples, 1) 的二维数组，如下所示：

def get_numeric_data(x):
    return x.number.values.reshape(-1, 1)

请注意，我删除了表达式周围的方括号，因为它们不必要地将结果包装在列表中。

虽然以上内容会使您的代码运行，但您的代码中仍有一些地方效率不高，可以改进。

首先是多余的表达式 [record for record in x.text.values]，因为 x.text.values 已经足够了。唯一的区别是前者是 list 对象，而后者是通常首选的 numpy ndarray。

其次是 Ben Reiniger 在他的评论中已经说过的内容。 FeatureUnion 意味着对相同的数据执行多个转换并将结果组合到一个对象中。但是，您似乎只想将文本特征与数字特征分开转换。在这种情况下，ColumnTransformer 提供了一种更简单和规范的方法：

combined_clf = Pipeline([
    ('transformer', ColumnTransformer([
        ('vectorizer', Pipeline([
            ('vect', vect),
            ('tfidf', tfidf),
            ('scaler', scl)
        ]), 'text')
    ], remainder='passthrough')),
    ('clf', SGDClassifier(random_state=42, max_iter=int(10 ** 6 / len(X_train)), shuffle=True))
])

上面发生的事情是 ColumnTransformer 仅选择文本列并将其传递到转换管道，最终将其与刚刚传递的数字列合并。请注意，定义您自己的选择器已经过时，因为 ColumnTransformer 将通过指定每个转换器要转换的列来解决这个问题。有关详细信息，请参阅 documentation。

如何使用 FeatureUnion 和 Pipeline 正确构建包含文本和数值数据的 SGDClassifier？

How to properly build a SGDClassifier with both text and numerical data using FeatureUnion and Pipeline?

python

machine-learning

scikit-learn

nlp

pipeline