在 Pipeline sklearn (Python) 中使用多个自定义类

我尝试为学生做一个关于 Pipeline 的教程，但我阻止了。我不是专家，但我正在努力改进。所以谢谢你的包容。 事实上，我尝试在管道中执行几个步骤来为分类器准备数据帧：

• 第 1 步：数据框的描述
• 第 2 步：填充 NaN 值
• 第 3 步：将分类值转换为数字

这是我的代码：

class Descr_df(object):

    def transform (self, X):
        print ("Structure of the data: \n {}".format(X.head(5)))
        print ("Features names: \n {}".format(X.columns))
        print ("Target: \n {}".format(X.columns[0]))
        print ("Shape of the data: \n {}".format(X.shape))

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

class Fillna(object):

    def transform(self, X):
        non_numerics_columns = X.columns.difference(X._get_numeric_data().columns)
        for column in X.columns:
            if column in non_numerics_columns:
                X[column] = X[column].fillna(df[column].value_counts().idxmax())
            else:
                 X[column] = X[column].fillna(X[column].mean())            
        return X

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

class Categorical_to_numerical(object):

    def transform(self, X):
        non_numerics_columns = X.columns.difference(X._get_numeric_data().columns)
        le = LabelEncoder()
        for column in non_numerics_columns:
            X[column] = X[column].fillna(X[column].value_counts().idxmax())
            le.fit(X[column])
            X[column] = le.transform(X[column]).astype(int)
        return X

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

如果我执行步骤 1 和 2 或步骤 1 和 3，它会起作用，但如果我同时执行步骤 1、2 和 3。我有这个错误：

pipeline = Pipeline([('df_intropesction', Descr_df()), ('fillna',Fillna()), ('Categorical_to_numerical', Categorical_to_numerical())])
pipeline.fit(X, y)
AttributeError: 'NoneType' object has no attribute 'columns'

出现此错误是因为在管道中，第一个估计器的输出进入第二个估计器，然后第二个估计器的输出进入第三个，依此类推......

来自管道文档 http://scikit-learn.org/stable/modules/generated/sklearn.pipeline.Pipeline.html#sklearn.pipeline.Pipeline.fit:

依次拟合所有变换并变换数据， 然后使用最终估计器拟合转换后的数据。

因此，对于您的管道，执行步骤如下：

1. Descr_df.fit(X) -> 不执行任何操作并返回 self
2. newX = Descr_df.transform(X) -> 应该返回一些值分配给 newX ，该值应该传递给下一个估计器，但您的定义不返回任何内容（仅打印）。所以隐式返回 None
3. Fillna.fit(newX) -> 不执行任何操作并返回 self
4. Fillna.transform(newX) -> 调用 newX.columns。但步骤 2 中的 newX=None。因此出现了错误。

Solution：更改 Descr_df 的转换方法以按原样返回数据帧：

def transform (self, X):
    print ("Structure of the data: \n {}".format(X.head(5)))
    print ("Features names: \n {}".format(X.columns))
    print ("Target: \n {}".format(X.columns[0]))
    print ("Shape of the data: \n {}".format(X.shape))
    return X

建议：让您的类继承 scikit 中的 Base Estimator 和 Transformer 类，以确认良好实践。

即改变class Descr_df(object) to class Descr_df(BaseEstimator, TransformerMixin), Fillna(object) to Fillna(BaseEstimator, TransformerMixin)等等。

有关 Pipeline 中自定义类的更多详细信息，请参阅此示例：

• http://scikit-learn.org/stable/auto_examples/hetero_feature_union.html#sphx-glr-auto-examples-hetero-feature-union-py http://scikit-learn.org/stable/auto_examples/hetero_feature_union.html#sphx-glr-auto-examples-hetero-feature-union-py