Борьба за интеграцией Sklearn и Pandas в простой задаче Kaggle
-
16-10-2019 - |
Вопрос
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.
Решение
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)
Другие советы
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')