时间戳

首页 > 解决方案 > 如何使用 scikit-learn 组合具有不同维度输出的特征

python-3.x - 如何使用 scikit-learn 组合具有不同维度输出的特征

问题描述

我正在使用 scikit-learn 与 Pipeline 和 FeatureUnion 从不同的输入中提取特征。我的数据集中的每个样本（实例）都引用了不同长度的文档。我的目标是独立计算每个文档的顶部tfidf ，但我不断收到此错误消息：

ValueError: blocks[0,:] 具有不兼容的行尺寸。得到 blocks[0,1].shape[0] == 1，预计 2000 年。

2000 是训练数据的大小。这是主要代码：

book_summary= Pipeline([
   ('selector', ItemSelector(key='book')),
   ('tfidf', TfidfVectorizer(analyzer='word', ngram_range(1,3), min_df=1, lowercase=True, stop_words=my_stopword_list, sublinear_tf=True))
])

book_contents= Pipeline([('selector3', book_content_count())]) 

ppl = Pipeline([
    ('feats', FeatureUnion([
         ('book_summary', book_summary),
         ('book_contents', book_contents)])),
    ('clf', SVC(kernel='linear', class_weight='balanced') ) # classifier with cross fold 5
])

我写了两个类来处理每个管道功能。我的问题是 book_contents 管道，它主要处理每个样本并独立返回每本书的 TFidf 矩阵。

class book_content_count(): 
  def count_contents2(self, bookid):
        book = open('C:/TheCorpus/'+str(int(bookid))+'_book.csv', 'r')       
        book_data = pd.read_csv(book, header=0, delimiter=',', encoding='latin1',error_bad_lines=False,dtype=str)
                      corpus=(str([user_data['text']]).strip('[]')) 
        return corpus

    def transform(self, data_dict, y=None):
        data_dict['bookid'] #from here take the name 
        text=data_dict['bookid'].apply(self.count_contents2)
        vec_pipe= Pipeline([('vec', TfidfVectorizer(min_df = 1,lowercase = False, ngram_range = (1,1), use_idf = True, stop_words='english'))])
        Xtr = vec_pipe.fit_transform(text)
        return Xtr

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

数据样本（示例）：

title                         Summary                          bookid
The beauty and the beast      is a traditional fairy tale...    10
ocean at the end of the lane  is a 2013 novel by British        11

然后每个 id 将引用一个文本文件，其中包含这些书籍的实际内容

我已经尝试过toarray，reshape但没有运气。任何想法如何解决这个问题。谢谢

标签： python-3.xnumpyscikit-learnpipelineneuraxle

解决方案

您可以将Neuraxle 的 Feature Union与您需要自己编码的自定义连接器一起使用。joiner 是一个传递给 Neuraxle 的 FeatureUnion 的类，用于以您期望的方式将结果合并在一起。

1. 导入 Neuraxle 的类。

from neuraxle.base import NonFittableMixin, BaseStep
from neuraxle.pipeline import Pipeline
from neuraxle.steps.sklearn import SKLearnWrapper
from neuraxle.union import FeatureUnion

2. 通过继承 BaseStep 来定义您的自定义类：

class BookContentCount(BaseStep): 

    def transform(self, data_dict, y=None):
        transformed = do_things(...)  # be sure to use SKLearnWrapper if you wrap sklearn items.
        return transformed

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

3. 创建一个加入者，以您希望的方式加入特征联合的结果：

class CustomJoiner(NonFittableMixin, BaseStep):
    def __init__(self):
        BaseStep.__init__(self)
        NonFittableMixin.__init__(self)

    # def fit: is inherited from `NonFittableMixin` and simply returns self.

    def transform(self, data_inputs):
        # TODO: insert your own concatenation method here.
        result = np.concatenate(data_inputs, axis=-1)
        return result

4. 最后通过将 joiner 传递给 FeatureUnion 来创建您的管道：

book_summary= Pipeline([
    ItemSelector(key='book'),
    TfidfVectorizer(analyzer='word', ngram_range(1,3), min_df=1, lowercase=True, stop_words=my_stopword_list, sublinear_tf=True)
])

p = Pipeline([
    FeatureUnion([
        book_summary,
        BookContentCount()
    ], 
        joiner=CustomJoiner()
    ),
    SVC(kernel='linear', class_weight='balanced')
])

注意：如果您希望您的 Neuraxle 管道恢复为 scikit-learn 管道，您可以执行p = p.tosklearn().

要了解有关 Neuraxle 的更多信息： https ://github.com/Neuraxio/Neuraxle

文档中的更多示例： https ://www.neuraxle.org/stable/examples/index.html

推荐阅读