python - 如何从管道内的 sklearn TFIDF Vectorizer 返回数据帧？

Question

如何让 TFIDF Vectorizer 在用于交叉验证的 sklearn 管道内返回具有相应列名的 pandas 数据帧？

我有一个 Sklearn 管道，其中一个步骤是 TFIDF Vectorizer:

class InspectPipeline(BaseEstimator, TransformerMixin):

    def transform(self, x):
        return x

    def fit(self, x, y=None):
        self.df = x
        return self


pipeline = Pipeline(
        [
         ("selector", ItemSelector(key="text_column")),
         ("vectorizer", TfidfVectorizer()),
         ("debug", InspectPipeline()),
         ("classifier", RandomForestClassifier())
        ]
)

我创建了 InspectPipeline 类，以便稍后检查传递给分类器的特征是什么(通过运行 pipeline.best_estimator_.named_steps['debug'].df).但是，TfidfVectorizer 返回一个稀疏矩阵，这是我在执行 pipeline.best_estimator_.named_steps['debug'].df 时得到的。我不想获取稀疏矩阵，而是想获取 TFIDF 向量作为 pandas 数据框，其中列名是相应的 tfidf 标记。

我知道 tfidf_vectorizer.get_feature_names() 可以帮助了解列名。但是我如何在管道中包含这个 + 将稀疏矩阵转换为数据帧？

Answer 1

您可以扩展 TfidfVectorizer 以返回具有所需列名的 DataFrame，并在您的管道中使用它。

from sklearn.feature_extraction.text import TfidfVectorizer
import pandas as pd

class DenseTfidfVectorizer(TfidfVectorizer):

    def transform(self, raw_documents, copy=True):
        X = super().transform(raw_documents, copy=copy)
        df = pd.DataFrame(X.toarray(), columns=self.get_feature_names())
        return df

    def fit_transform(self, raw_documents, y=None):
        X = super().fit_transform(raw_documents, y=y)
        df = pd.DataFrame(X.toarray(), columns=self.get_feature_names())
        return df