python - 具有不同特征的数据预处理步骤

Question

我想在分类器中包含多个特征以更好地提高模型性能。
我有一个类似于这个的数据集


文本
is_it_capital?
is_it_upper?
包含_数量？
标签


文本示例
0
0
0
0

另一个文本示例
1
1
0
1

发生什么事了？5点再说
1
0
1
1


我正在将不同的预处理算法应用于文本(BoW、TF-IDF 等)。通过选择 X= df['Text'] 在我的分类器中只使用 Text 列是“容易的”并应用预处理算法。但是，我现在还想包括 is_it_capital?和其他变量(标签除外)作为特征，因为我发现它们可能对我的分类器有用。
我尝试的是以下内容:

X=df[['Text','is_it_capital?', 'is_it_upper?', 'contains_num?']]
y=df['Label']

from sklearn.base import TransformerMixin
class DenseTransformer(TransformerMixin):
    def fit(self, X, y=None, **fit_params):
        return self
    def transform(self, X, y=None, **fit_params):
        return X.todense()

from sklearn.pipeline import Pipeline
pipeline = Pipeline([
     ('vectorizer', CountVectorizer()), 
     ('to_dense', DenseTransformer()), 
])

transformer = ColumnTransformer([('text', pipeline, 'Text')], remainder='passthrough')

X_train, X_test, y_train, y_test  = train_test_split(X, y, test_size=0.25, random_state=40)

X_train = transformer.fit_transform(X_train)
X_test = transformer.transform(X_test)

df_train = pd.concat([X_train, y_train], axis=1)
df_test = pd.concat([X_test, y_test], axis=1)

#Logistic regression
logR_pipeline = Pipeline([
        ('LogRCV',countV),
        ('LogR_clf',LogisticRegression())
        ])

logR_pipeline.fit(df_train['Text'], df_train['Label'])
predicted_LogR = logR_pipeline.predict(df_test['Text'])
np.mean(predicted_LogR == df_test['Label'])

但是我得到了错误:

TypeError: cannot concatenate object of type '<class'scipy.sparse.csr.csr_matrix'>'; only Series and DataFrame objs arevalid

有没有人处理过类似的问题？我怎么能修好呢？
我的目标是在我的分类器中包含所有功能。
更新:
我也试过这个:

from sklearn.base import BaseEstimator,TransformerMixin

class custom_count_v(BaseEstimator,TransformerMixin):
    def __init__(self,tfidf):
        self.tfidf = tfidf

    def fit(self, X, y=None):
        joined_X = X.apply(lambda x: ' '.join(x), axis=1)
        self.tfidf.fit(joined_X)        
        return self

    def transform(self, X):
        joined_X = X.apply(lambda x: ' '.join(x), axis=1)

        return self.tfidf.transform(joined_X)        


count_v = CountVectorizer() 

clmn = ColumnTransformer([("count", custom_count_v(count_v), ['Text'])],remainder="passthrough")
clmn.fit_transform(df)

它不会返回任何错误，但不清楚我是否正确地包含了所有功能，以及我是否需要在训练/测试拆分之前或之后执行此操作。如果您能在应用程序之前向我展示，那将非常有帮助分类器的:

#Logistic regression
logR_pipeline = Pipeline([
        ('LogRCV',....),
        ('LogR_clf',LogisticRegression())
        ])

logR_pipeline.fit(....)
predicted_LogR = logR_pipeline.predict(...)
np.mean(predicted_LogR == ...)

哪里应该有数据框或列而不是点(我猜这取决于转换和连接)，以便更好地执行我所做的步骤和错误。

Answer 1

您的错误似乎试图连接数组和系列。
我对管道和列转换器不熟悉，所以我可能会误会；似乎它没有从 CountVectorizer 中捕获特征名称，因此拥有未标记的数据框没有任何好处:也许您可以坚持使用 numpy 数组。
如果我弄错了，无论如何从 np.array 跳转到数据框应该很容易......
所以，你可以这样做:

df_train = np.append(
  X_train, #this is an array
  np.array(y_train).reshape(len(y_train),1), #convert the Serie to numpy array of correct shape
  axis=1)
print(df_train)

[[1 0 1 0 0 1 0 1 0 1 1 0 1]
 [0 1 0 1 1 0 1 0 1 1 0 1 1]]

希望这会有所帮助(尽管正如我所说，我不熟悉这些 sklearn 库...)
编辑
更完整的东西，没有那些管道(我不确定是否需要)；由于输入数据集，它在我的计算机上失败了，但是您的完整数据集可能会取得更大的成功。

df = pd.DataFrame(
        [["an example of text", 0, 0, 0, 0],
         ["ANOTHER example of text", 1, 1, 0, 1],
         ["What's happening?Let's talk at 5", 1, 0, 1, 1]
        ],
        columns=["Text", "is_it_capital?", "is_it_upper?", "contains_num?", "Label"]
        )

X=df[['Text','is_it_capital?', 'is_it_upper?', 'contains_num?']]
y=df['Label']

X_train, X_test, y_train, y_test  = train_test_split(X, y, test_size=0.25, random_state=40)

cv = CountVectorizer()

X_train = (
        pd.DataFrame(
                cv.fit_transform(X_train['Text']).toarray(),
                columns=cv.get_feature_names(),
                index=X_train.index
                ) #This way you keep the labels/indexes in a dataframe format
        .join(X_train.drop('Text', axis=1)) #add your previous 'get_dummies' columns
        )

X_test = (
        pd.DataFrame(
                cv.transform(X_test['Text']).toarray(),
                columns=cv.get_feature_names(),
                index=X_test.index
                )
        .join(X_test.drop('Text', axis=1))
        )

#Then compute your regression directly :
lr = LogisticRegression()
lr = lr.fit(X_train, y_train)
y_pred = lr.predict(X_test)