无法设置从 Numpy 数组读取的适当数据类型

Question

我想保存数据帧的一些属性并给定底层 numpy 数组的一部分，我想重建数据帧，就好像我已经获取了数据帧的一部分一样。如果一个对象列有一个可以强制转换为浮点数的值，我想不出任何可行的方法。在真实数据集中，我有数百万个观察值和数百个列。

实际用例涉及自定义代码，其中 pandas 与 scikit-learn 交互。我知道最新版本的 scikit-learn 与内置 pandas 兼容，但我无法使用此版本，因为 RandomizedSearchCV 对象无法处理大参数网格（这将在未来版本中修复）。

data = [[2, 4, "Focus"],
        [3, 4, "Fiesta",],
        [1, 4, "300"],
        [7, 3, "Pinto"]]

# This dataframe is exactly as intended
df = pd.DataFrame(data=data)

# Slice a subset of the underlying numpy array
raw_slice = df.values[1:,:]

# Try using the dtype option to force dtypes
df_dtype = pd.DataFrame(data=raw_slice, dtype=df.dtypes)
print "\n Dtype arg doesn't use passed dtypes \n", df_dtype.dtypes

# Try converting objects to numeric after reading into dataframe
df_convert = pd.DataFrame(data=raw_slice).convert_objects(convert_numeric=True)
print "\n Convert objects drops object values that are not numeric \n", df_convert

[Out]
 Converted data does not use passed dtypes 
0    object
1    object
2    object
dtype: object

 Converted data drops object values that are not numeric 
   0  1    2
0  3  4  NaN
1  1  4  300
2  7  3  NaN

编辑：谢谢@unutbu 的回答，它准确地回答了我的问题。在 0.16.0 之前的 scikit-learn 版本中，gridsearch 对象从 pandas 数据帧中剥离了底层的 numpy 数组。这意味着单个对象列使整个数组成为一个对象，并且 pandas 方法无法包装在自定义转换器中。

使用@unutbu 的答案的解决方案是使管道的第一步成为自定义 "DataFrameTransformer" 对象。

class DataFrameTransformer(BaseEstimator, TransformerMixin):
    def __init__(self, X):
        self.columns = list(X.columns)
        self.dtypes = X.dtypes

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

    def transform(self, X, y=None):
        X = pd.DataFrame(X, columns=self.columns)
        for col, dtype in zip(X, self.dtypes):
            X[col] = X[col].astype(dtype)
        return X

在管道中，只需将原始 df 包含在构造函数中：

pipeline = Pipeline([("df_converter", DataFrameTransformer(X)),
                      ...,
                     ("rf", RandomForestClassifier())])

Answer 1

如果您尝试将 DataFrame 的一部分保存到磁盘，那么功能强大且方便的方法是使用 pd.HDFStore。请注意，这需要将安装 PyTables。

# To save the slice `df.iloc[1:, :]` to disk:
filename = '/tmp/test.h5'
with pd.HDFStore(filename) as store:
    store['mydata'] = df.iloc[1:, :]

# To load the DataFrame from disk:
with pd.get_store(filename) as store:
    newdf2 = store['mydata']
    print(newdf2.dtypes)
    print(newdf2)

产量

0     int64
1     int64
2    object
dtype: object
   0  1       2
0  3  4  Fiesta
1  1  4     300
2  7  3   Pinto

从 NumPy 数组（对象数据类型！）重建子数据帧和 df.dtypes，你可以使用

import pandas as pd
data = [[2, 4, "Focus"],
        [3, 4, "Fiesta",],
        [1, 4, "300"],
        [7, 3, "Pinto"]]

# This dataframe is exactly as intended
df = pd.DataFrame(data=data)

# Slice a subset of the `values` numpy object array
raw_slice = df.values[1:,:]

newdf = pd.DataFrame(data=raw_slice)
for col, dtype in zip(newdf, df.dtypes):
    newdf[col] = newdf[col].astype(dtype)
print(newdf.dtypes)
print(newdf)

产生与上述相同的结果。但是，如果您不保存 raw_slice 到磁盘，那么你可以简单地保留一个引用 df.iloc[1:, :] 而不是将数据转换为 NumPy 数组 object dtype——一个相对低效的数据结构（在内存和性能）。

无法设置从 Numpy 数组读取的适当数据类型

Can't set appropriate dtypes reading from a Numpy array

python

numpy

pandas

scikit-learn

grid-search