Борьба за интеграцией Sklearn и Pandas в простой задаче Kaggle

Question

Я пытаюсь использовать модуль Sklearn_pandas, чтобы продлить работу, которую я выполняю в Pandas и опустить в машинное обучение, но я борюсь с ошибкой, которую я не совсем понимаю, как исправить.

Я работал над следующим набором данных на Каггл.

По сути, это таблица без заголовка (1000 строк, 40 функций) с плавающими значениями.

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

Выход:

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'))])

Все идет нормально. Но тогда я стараюсь

mapper_train.fit_transform(train, labels)

Выход:

---------------------------------------------------------------------------
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)`

Что я делаю не так? Несмотря на то, что данные в этом случае все одинаковы, я планирую выполнить рабочий процесс для категориальных, номинальных и плавучих и плавучих функций, и Sklearn_pandas, казалось, был логическим соответствием.

Answer 1

Вот пример того, как заставить Pandas и Sklearn играть красиво

Скажем, у вас есть 2 столбца, которые являются строками, и вы хотите векторизировать, но вы понятия не имеете, какие параметры векторизации приведут к наилучшей производительности вниз по течению.

Создайте векторизатор

to_vect = Pipeline([('vect',CountVectorizer(min_df =1,max_df=.9,ngram_range=(1,2),max_features=1000)),
                    ('tfidf', TfidfTransformer())])

Создайте DataFrameMapper obj.

full_mapper = DataFrameMapper([
        ('col_name1', to_vect),
        ('col_name2',to_vect)
    ])

Это полный трубопровод

full_pipeline  = Pipeline([('mapper',full_mapper),('clf', SGDClassifier(n_iter=15, warm_start=True))])

Определите параметры, которые вы хотите, чтобы сканирование рассмотрело

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))]]}

Вот и все! - Обратите внимание, однако, что Mapper_features - это единственный элемент в этом словаре - поэтому используйте для цикла или итул.

Продолжайте создавать оптимальный классификатор или что -то еще, что ваш трубопровод заканчивается

gs_clf = GridSearchCV(full_pipe, full_params, n_jobs=-1)

Answer 2

Я никогда не использовал sklearn_pandas, но от прочтения их исходного кода, похоже, это ошибка на их стороне. Если вы ищете функция, которая бросает исключение, вы можете заметить, что они отбрасывают y Аргумент (он даже не выживает до доктора), и внутренний fit Функция ожидает еще одного аргумента, что, вероятно, 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

Я бы порекомендовал вам открыть проблему в их трекер ошибок.

ОБНОВИТЬ:

Вы можете проверить это, если запустите свой код из ipython. Подводя итог, если вы используете %pdb on Волшебство прямо перед проведением проблематичного звонка, исключение запечатлено отладчиком Python, так что вы можете немного поиграть и увидеть, что вызывает назыв fit функционировать со значениями метки y[0] работает - см. Последняя строка с pdb> быстрый. (Файлы CSV загружаются с Kaggle, за исключением самого большого, что является лишь частью реального файла).

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')