python - 将 ColumnTransformer 用于管道时出现 AttributeError

Question

这是我的第一个机器学习项目，也是我第一次使用 ColumnTransformer。我的目标是执行两步数据预处理，并为每一步使用 ColumnTransformer。

在第一步中，我想用字符串 'missing_value' 替换我的数据框中的某些特征的缺失值，以及其余特征的最常见值。因此，我使用 ColumnTransformer 将这两个操作结合起来，并将数据框的相应列传递给它。

在第二步中，我想使用刚刚预处理的数据并根据特征应用 OrdinalEncoder 或 OneHotEncoder。为此，我再次使用 ColumnTransformer。

然后我将这两个步骤合并到一个管道中。

我使用的是 Kaggle Houses 价格数据集，我有 scikit-learn 版本 0.20，这是我的代码的简化版本:

cat_columns_fill_miss = ['PoolQC', 'Alley']
cat_columns_fill_freq = ['Street', 'MSZoning', 'LandContour']
cat_columns_ord = ['Street', 'Alley', 'PoolQC']
ord_mapping = [['Pave', 'Grvl'],                          # Street
               ['missing_value', 'Pave', 'Grvl'],         # Alley
               ['missing_value', 'Fa', 'TA', 'Gd', 'Ex']  # PoolQC
]
cat_columns_onehot = ['MSZoning', 'LandContour']


imputer_cat_pipeline = ColumnTransformer([
        ('imp_miss', SimpleImputer(strategy='constant'), cat_columns_fill_miss),  # fill_value='missing_value' by default
        ('imp_freq', SimpleImputer(strategy='most_frequent'), cat_columns_fill_freq),
])

encoder_cat_pipeline = ColumnTransformer([
        ('ordinal', OrdinalEncoder(categories=ord_mapping), cat_columns_ord),
        ('pass_ord', OneHotEncoder(), cat_columns_onehot),
])

cat_pipeline = Pipeline([
        ('imp_cat', imputer_cat_pipeline),
        ('cat_encoder', encoder_cat_pipeline),
])

不幸的是，当我将它应用于 housing_cat 时，我的数据框的子集仅包含分类特征，

cat_pipeline.fit_transform(housing_cat)

我得到错误:

AttributeError: 'numpy.ndarray' object has no attribute 'columns'

During handling of the above exception, another exception occurred:

...

ValueError: Specifying the columns using strings is only supported for pandas DataFrames

我已经尝试过这个简化的管道并且它工作正常:

new_cat_pipeline = Pipeline([
        ('imp_cat', imputer_cat_pipeline),
        ('onehot', OneHotEncoder()),
])

但是，如果我尝试:

enc_one = ColumnTransformer([
        ('onehot', OneHotEncoder(), cat_columns_onehot),
        ('pass_ord', 'passthrough', cat_columns_ord)
])

new_cat_pipeline = Pipeline([
        ('imp_cat', imputer_cat_pipeline),
        ('onehot_encoder', enc_one),
])

我开始遇到同样的错误。

然后我怀疑这个错误与第二步中使用ColumnTransformer有关，但我实际上不明白它来自哪里。我在第二步中识别列的方式与第一步中的相同，所以我仍然不清楚为什么只在第二步中我得到属性错误...

Answer 1

ColumnTransformer 返回 numpy.array，因此它不能具有列属性(如您的错误所示)。

如果我可以建议不同的解决方案，请使用 pandas 来完成您的两个任务，这样会更容易。

第 1 步 - 替换缺失值

要用 missing_value 字符串替换列子集中的缺失值，请使用:

dataframe[["PoolQC", "Alley"]].fillna("missing_value", inplace=True)

对于其余部分(用每列的平均值进行估算)，这将完美地工作:

dataframe[["Street", "MSZoning", "LandContour"]].fillna(
    dataframe[["Street", "MSZoning", "LandContour"]].mean(), inplace=True
)

第 2 步 - 一个热编码和分类变量

pandas 提供了get_dummies，返回pandas Dataframe，不像ColumnTransfomer，代码是:

encoded = pd.get_dummies(dataframe[['MSZoning', 'LandContour']], drop_first=True)
pd.dropna(['MSZoning', 'LandContour'], axis=columns, inplace=True)
dataframe = dataframe.join(encoded)

对于序数变量及其编码，我建议您查看 at this SO answer (不幸的是，在这种情况下需要一些手动映射)。

如果你还是想使用transformer

使用 values 属性从数据框中获取 np.array，通过管道传递它并从数组中重新创建列和索引，如下所示:

pd.DataFrame(data=your_array, index=np.arange(len(your_array)), columns=["A", "B"])

虽然有一个关于这种方法的警告；您不会知道自定义创建的单热编码列的名称(管道不会为您执行此操作)。

此外，您可以从 sklearn 的转换对象中获取列的名称(例如使用 categories_ 属性)，但我认为这会破坏管道(如果我错了请纠正我)。