Luchando para integrar sklearn y pandas en simple tarea Kaggle
-
16-10-2019 - |
Pregunta
Estoy tratando de utilizar los sklearn_pandas modular para extender el trabajo que hago en pandas y mojar un dedo del pie en el aprendizaje de máquina, pero estoy luchando con un error que no entiendo muy bien cómo solucionar.
I estaba trabajando a través del siguiente conjunto de datos sobre Kaggle .
Es esencialmente una mesa unheadered (1000 filas, 40 Características) con valores de punto flotante.
import pandas as pdfrom sklearn import neighbors
from sklearn_pandas import DataFrameMapper, cross_val_score
path_train ="../kaggle/scikitlearn/train.csv"
path_labels ="../kaggle/scikitlearn/trainLabels.csv"
path_test = "../kaggle/scikitlearn/test.csv"
train = pd.read_csv(path_train, header=None)
labels = pd.read_csv(path_labels, header=None)
test = pd.read_csv(path_test, header=None)
mapper_train = DataFrameMapper([(list(train.columns),neighbors.KNeighborsClassifier(n_neighbors=3))])
mapper_train
Salida:
DataFrameMapper(features=[([0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16, 17, 18, 19, 20, 21, 22, 23, 24, 25, 26, 27, 28, 29, 30, 31, 32, 33, 34, 35, 36, 37, 38, 39], KNeighborsClassifier(algorithm='auto', leaf_size=30, metric='minkowski',
n_neighbors=3, p=2, weights='uniform'))])
Hasta aquí todo bien. Pero entonces trato el ajuste
mapper_train.fit_transform(train, labels)
Salida:
---------------------------------------------------------------------------
TypeError Traceback (most recent call last)
<ipython-input-6-e3897d6db1b5> in <module>()
----> 1 mapper_train.fit_transform(train, labels)
//anaconda/lib/python2.7/site-packages/sklearn/base.pyc in fit_transform(self, X, y, **fit_params)
409 else:
410 # fit method of arity 2 (supervised transformation)
--> 411 return self.fit(X, y, **fit_params).transform(X)
412
413
//anaconda/lib/python2.7/site-packages/sklearn_pandas/__init__.pyc in fit(self, X, y)
116 for columns, transformer in self.features:
117 if transformer is not None:
--> 118 transformer.fit(self._get_col_subset(X, columns))
119 return self
120
TypeError: fit() takes exactly 3 arguments (2 given)`
¿Qué estoy haciendo mal? Mientras que los datos en este caso es lo mismo, tengo la intención de trabajar hasta un flujo de trabajo para las mezclas categórica, características y sklearn_pandas de puntos nominales y flotantes parecían ser un ajuste lógico.
Solución
Este es un ejemplo de cómo llegar pandas y sklearn jugar limpio
dice que tiene 2 columnas que son las dos cadenas y desea vectorizar -., Pero no tiene idea de lo que params vectorización darán como resultado el mejor rendimiento aguas abajo
crear el Vectorizer
to_vect = Pipeline([('vect',CountVectorizer(min_df =1,max_df=.9,ngram_range=(1,2),max_features=1000)),
('tfidf', TfidfTransformer())])
crear el obj DataFrameMapper.
full_mapper = DataFrameMapper([
('col_name1', to_vect),
('col_name2',to_vect)
])
esta es la tubería llena
full_pipeline = Pipeline([('mapper',full_mapper),('clf', SGDClassifier(n_iter=15, warm_start=True))])
definir los parametros que desea que el análisis se consideran
full_params = {'clf__alpha': [1e-2,1e-3,1e-4],
'clf__loss':['modified_huber','hinge'],
'clf__penalty':['l2','l1'],
'mapper__features':[[('col_name1',deepcopy(to_vect)),
('col_name2',deepcopy(to_vect))],
[('col_name1',deepcopy(to_vect).set_params(vect__analyzer= 'char_wb')),
('col_name2',deepcopy(to_vect))]]}
Eso es todo! - Nota sin embargo, que mapper_features son un solo elemento en este diccionario - a fin de utilizar un bucle for o itertools.product para generar una lista de todas las opciones PLANA to_vect se desea considerar - sino que es una tarea independiente fuera del alcance de la pregunta <. / p>
Ir a crear el clasificador óptimo o cualquier otra cosa que sus extremos de tuberías con
gs_clf = GridSearchCV(full_pipe, full_params, n_jobs=-1)
Otros consejos
nunca he utilizado sklearn_pandas
, pero a partir de la lectura de su código fuente, parece que esto es un error de su parte. Si nos fijamos para la función que está lanzando la excepción , se puede observar que que están desechando el argumento y
(que ni siquiera sobrevivir hasta que la cadena de documentación), y la función fit
interior espera un argumento más, que es probablemente y
:
def fit(self, X, y=None):
'''
Fit a transformation from the pipeline
X the data to fit
'''
for columns, transformer in self.features:
if transformer is not None:
transformer.fit(self._get_col_subset(X, columns))
return self
Yo recomendaría que se abre en un problema en su gestor de fallos .
Actualizar
Se puede probar esto si ejecuta su código de IPython. Para resumir, si se utiliza la derecha magia %pdb on
antes de ejecutar la llamada problemática, la excepción es capturada por el depurador de Python, por lo que puede jugar un poco y ver que llamar a la función fit
con la etiqueta de los valores y[0]
funciona - ver la última línea con el símbolo pdb>
. (Los archivos CSV se descargan de Kaggle, a excepción de la más grande, que es sólo una parte del archivo real).
In [1]: import pandas as pd
In [2]: from sklearn import neighbors
In [3]: from sklearn_pandas import DataFrameMapper, cross_val_score
In [4]: path_train ="train.csv"
In [5]: path_labels ="trainLabels.csv"
In [6]: path_test = "test.csv"
In [7]: train = pd.read_csv(path_train, header=None)
In [8]: labels = pd.read_csv(path_labels, header=None)
In [9]: test = pd.read_csv(path_test, header=None)
In [10]: mapper_train = DataFrameMapper([(list(train.columns),neighbors.KNeighborsClassifier(n_neighbors=3))])
In [13]: %pdb on
In [14]: mapper_train.fit_transform(train, labels)
---------------------------------------------------------------------------
TypeError Traceback (most recent call last)
<ipython-input-14-e3897d6db1b5> in <module>()
----> 1 mapper_train.fit_transform(train, labels)
/opt/local/Library/Frameworks/Python.framework/Versions/2.7/lib/python2.7/site-packages/sklearn/base.pyc in fit_transform(self, X, y, **fit_params)
409 else:
410 # fit method of arity 2 (supervised transformation)
--> 411 return self.fit(X, y, **fit_params).transform(X)
412
413
/opt/local/Library/Frameworks/Python.framework/Versions/2.7/lib/python2.7/site-packages/sklearn_pandas/__init__.pyc in fit(self, X, y)
116 for columns, transformer in self.features:
117 if transformer is not None:
--> 118 transformer.fit(self._get_col_subset(X, columns))
119 return self
120
TypeError: fit() takes exactly 3 arguments (2 given)
> /opt/local/Library/Frameworks/Python.framework/Versions/2.7/lib/python2.7/site-packages/sklearn_pandas/__init__.py(118)fit()
117 if transformer is not None:
--> 118 transformer.fit(self._get_col_subset(X, columns))
119 return self
ipdb> l
113
114 X the data to fit
115 '''
116 for columns, transformer in self.features:
117 if transformer is not None:
--> 118 transformer.fit(self._get_col_subset(X, columns))
119 return self
120
121
122 def transform(self, X):
123 '''
ipdb> transformer.fit(self._get_col_subset(X, columns), y[0])
KNeighborsClassifier(algorithm='auto', leaf_size=30, metric='minkowski',
n_neighbors=3, p=2, weights='uniform')