我有一个DataFrame包含一列文本的熊猫，我想使用 scikit-learn对文本进行矢量化CountVectorizer。但是，文本包含缺失值，因此我想在矢量化之前估算一个常数值。我最初的想法是创建一个PipelineofSimpleImputer和CountVectorizer：import pandas as pdimport numpy as npdf = pd.DataFrame({'text':['abc def', 'abc ghi', np.nan]})from sklearn.impute import SimpleImputerimp = SimpleImputer(strategy='constant')from sklearn.feature_extraction.text import CountVectorizervect = CountVectorizer()from sklearn.pipeline import make_pipelinepipe = make_pipeline(imp, vect)pipe.fit_transform(df[['text']]).toarray()但是，fit_transform错误是因为SimpleImputeroutputs a 2D array and CountVectorizerrequires 1D input。这是错误消息：AttributeError: 'numpy.ndarray' object has no attribute 'lower'问题：我如何修改它Pipeline才能使其正常工作？注意：我知道我可以估算熊猫中的缺失值。但是，我想在 scikit-learn 中完成所有预处理，以便可以使用Pipeline.
3 回答
一只斗牛犬
TA贡献1784条经验 获得超2个赞
我发现的最佳解决方案是将自定义转换器插入到 中Pipeline，在将输出SimpleImputer从 2D 传递到 1D 之前将其重塑CountVectorizer。
这是完整的代码：
import pandas as pd
import numpy as np
df = pd.DataFrame({'text':['abc def', 'abc ghi', np.nan]})
from sklearn.impute import SimpleImputer
imp = SimpleImputer(strategy='constant')
from sklearn.feature_extraction.text import CountVectorizer
vect = CountVectorizer()
# CREATE TRANSFORMER
from sklearn.preprocessing import FunctionTransformer
one_dim = FunctionTransformer(np.reshape, kw_args={'newshape':-1})
# INCLUDE TRANSFORMER IN PIPELINE
from sklearn.pipeline import make_pipeline
pipe = make_pipeline(imp, one_dim, vect)
pipe.fit_transform(df[['text']]).toarray()
GitHub上已经提出只要CountVectorizer第二个维度为1（意思是：单列数据）就应该允许2D输入。那个修改CountVectorizer将是这个问题的一个很好的解决方案！
慕尼黑的夜晚无繁华
TA贡献1864条经验 获得超6个赞
一种解决方案是创建一个 SimpleImputer 类并覆盖其transform()方法：
import pandas as pd
import numpy as np
from sklearn.impute import SimpleImputer
class ModifiedSimpleImputer(SimpleImputer):
def transform(self, X):
return super().transform(X).flatten()
df = pd.DataFrame({'text':['abc def', 'abc ghi', np.nan]})
imp = ModifiedSimpleImputer(strategy='constant')
from sklearn.feature_extraction.text import CountVectorizer
vect = CountVectorizer()
from sklearn.pipeline import make_pipeline
pipe = make_pipeline(imp, vect)
pipe.fit_transform(df[['text']]).toarray()
手掌心
TA贡献1942条经验 获得超3个赞
当我有一维数据时，我将这个一维包装器用于 sklearn Transformer。我认为，在您的情况下，此包装器可用于包装一维数据（具有字符串值的 pandas 系列）的 simpleImputer。
class OneDWrapper:
"""One dimensional wrapper for sklearn Transformers"""
def __init__(self, transformer):
self.transformer = transformer
def fit(self, X, y=None):
self.transformer.fit(np.array(X).reshape(-1, 1))
return self
def transform(self, X, y=None):
return self.transformer.transform(
np.array(X).reshape(-1, 1)).ravel()
def inverse_transform(self, X, y=None):
return self.transformer.inverse_transform(
np.expand_dims(X, axis=1)).ravel()
现在，您不需要管道中的额外步骤。
one_d_imputer = OneDWrapper(SimpleImputer(strategy='constant'))
pipe = make_pipeline(one_d_imputer, vect)
pipe.fit_transform(df['text']).toarray()
# note we are feeding a pd.Series here!
添加回答
举报
0/150
提交
取消