时间戳

首页 > 解决方案 > 课堂上的sklearn方法

python-3.x - 课堂上的sklearn方法

问题描述

我想创建一个使用sklearn转换方法的类。我找到了这篇文章，并以它为例。

from sklearn import preprocessing
from sklearn.base import TransformerMixin

def minmax(dataframe):
  minmax_transformer = preprocessing.MinMaxScaler()
  return minmax_tranformer


class FunctionFeaturizer(TransformerMixin):
    def __init__(self, scaler):
        self.scaler = scaler

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

    def transform(self, X):
        fv = self.scaler(X)
        return  fv

if __name__=="__main__":
     scaling = FunctionFeaturizer(minmax)
     df = pd.DataFrame({'feature': np.arange(10)})
     df_scaled = scaling.fit(df).transform(df)
     print(df_scaled)

输出StandardScaler(copy=True, with_mean=True, with_std=True)实际上是preprocessing.StandardScaler().fit(df)我在课堂外使用它的结果。

我期待的是：

array([[0.        ],
       [0.11111111],
       [0.22222222],
       [0.33333333],
       [0.44444444],
       [0.55555556],
       [0.66666667],
       [0.77777778],
       [0.88888889],
       [1.        ]])

我觉得我在这里混合了一些东西，但我不知道是什么。

更新 我做了一些修改：

def minmax():
    return preprocessing.MinMaxScaler()

class FunctionFeaturizer(TransformerMixin):
    def __init__(self, scaler):
        self.scaler = scaler

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

    def fit_transform(self, X):
        self.scaler.fit(X)
        return self.scaler.transform(X)

if __name__=="__main__":
    scaling = FunctionFeaturizer(minmax)
    df = pd.DataFrame({'feature': np.arange(10)})
    df_scaled = scaling.fit_transform(df)
    print(df_scaled)

但现在我收到以下错误：

Traceback (most recent call last):
  File "C:/my_file.py", line 33, in <module>
    test_scale = scaling.fit_transform(df)
  File "C:/my_file.py", line 26, in fit_transform
    self.scaler.fit(X)
AttributeError: 'function' object has no attribute 'fit'

标签： python-3.xoopscikit-learnsklearn-pandas

解决方案

解决您的错误

在您的代码中，您有：

if __name__=="__main__":
    scaling = FunctionFeaturizer(minmax)
    df = pd.DataFrame({'feature': np.arange(10)})
    df_scaled = scaling.fit_transform(df)
    print(df_scaled)

换行

scaling = FunctionFeaturizer(minmax)

至

scaling = FunctionFeaturizer(minmax())

您需要调用该函数以将 MinMaxScaler 的实例化返回给您。

建议

而不是实施fitand fit_transform，实施fitandtransform除非您可以将这两个过程优化为fit_tranform. 这样，你在做什么就更清楚了。

如果您只实现fitand transform，您仍然可以调用fit_transform，因为您扩展了TransformerMixin类。它只会连续调用这两个函数。

获得预期的结果

您的转换器正在查看数据集的每一列，并在0和之间线性分布值1。

因此，要获得预期的结果，这实际上取决于您的df外观。但是，您没有与我们分享，因此很难判断您是否会得到它。

但是，如果您有df = [[0],[1],[2],[3],[4],[5],[6],[7],[8],[9]]，您将看到预期的结果。

if __name__=="__main__":
    scaling = FunctionFeaturizer(minmax())
    df = [[0], [1], [2], [3], [4], [5], [6], [7], [8], [9]]
    df_scaled = scaling.fit_transform(df)
    print(df_scaled)

> [[0.        ]
>  [0.11111111]
>  [0.22222222]
>  [0.33333333]
>  [0.44444444]
>  [0.55555556]
>  [0.66666667]
>  [0.77777778]
>  [0.88888889]
>  [1.        ]]

推荐阅读