AI开发最大升级：Pandas与Scikit-Learn合并，新工作流程更简单强大！
作者：Ted Petrou 来源:Medium,新智元
Scikit-Learn的0.20版本，将会是进行近年来最重磅的升级。
对于许多数据科学家来说，一个典型的工作流程是在Scikit-Learn进行机器学习之前，用Pandas进行探索性的数据分析。新版本的Scikit-Learn将会让这个过程变得更加简单、功能更加丰富、更鲁棒以及更加标准化。
注：本文中的0.20版本的是指预览版，最终版本目前还没有发布。
几日前，官方刚刚发布这个0.20的预览版。用户可以通过conda命令进行安装：
conda install scikit-learn=0.20rc1 -c conda-forge/label/rc -c conda-forge
也可以通过pip命令进行安装：
pip install — pre scikit-learn
随着0.20版本的升级，从Pandas到Scikit-Learn的许多工作流会变得比较相似。ColumnTransformer估计器会将一个转换应用到Pandas DataFrame(或数组)列的特定子集。
OneHotEncoder估计器不是“新生物”，但已经升级为编码字符串列。以前，它只对包含数字分类数据的列进行编码。
接下来，让我们看看这些新添加的功能是如何处理Pandas DataFrame中的字符串列的。
Kaggle最早的机器学习竞赛题目之一是《住房价格：先进的回归技术》。其目标是在给定80个特征情况下，预测房价。
数据一览
在DataFrame中读取数据并输出前几行。
>>> import pandas as pd
>>> import numpy as np
>>> train = pd.read_csv(‘data/housing/train.csv’)
>>> train.head()
>>> train.shape
(1460, 81)
从训练集中删除目标变量
目标变量是SalePrice，我们将它作为数组移除并分配给它自己的变量。我们将在后面的机器学习中用到它。
>>> y = train.pop('SalePrice').values
编码单个字符串列
首先，我们编码一个字符串列HoustStyle，它具有房子外观的值。让我们输出每个字符串值的唯一计数。
>>> vc = train['HouseStyle'].value_counts()
>>> vc
1Story 726
2Story 445
1.5Fin 154
SLvl 65
SFoyer 37
1.5Unf 14
2.5Unf 11
2.5Fin 8
Name: HouseStyle, dtype: int64
这一列中有8个唯一值（unique value）。
scikitlearn Gotcha必须有2D数据
大多数Scikit-Learn估计器严格要求数据是的2D的。从技术角度讲，如果我们选择上面的列作为train[“HouseStyle”]，Pandas Series是数据的单一维度。我们可以强制Pandas创建一个单列DataFrame，方法是将一个单项列表传递到方括号中，如下所示:
>>> hs_train = train[['HouseStyle']].copy()
>>> hs_train.ndim
2
Scikit-Learn API对于所有的估计器都是一致的，它根据下面三个步骤来匹配(训练)数据。
从它所在的模块中导入我们想要的估计器
实例化估计器，可能改变它的默认值
根据数据拟合估计量。在必要情况下，可以将数据转换到新的空间。
下面，我们导入一个hotencoder，将它实例化，并确保返回一个密集(而不是稀疏)的数组，然后用fit_transform方法对单个列进行编码。
>>> from sklearn.preprocessing import OneHotEncoder
>>> ohe = OneHotEncoder(sparse=False)
>>> hs_train_transformed = ohe.fit_transform(hs_train)
>>> hs_train_transformed
array([[0., 0., 0., ..., 1., 0., 0.],
[0., 0., 1., ..., 0., 0., 0.],
[0., 0., 0., ..., 1., 0., 0.],
...,
[0., 0., 0., ..., 1., 0., 0.],
[0., 0., 1., ..., 0., 0., 0.],
[0., 0., 1., ..., 0., 0., 0.]])
正如预期的那样，它将每个唯一的值编码为自己的二进制列。
>>> hs_train_transformed.shape
(1460, 8)
注意，我们的输出是一个NumPy数组，而不是Pandas DataFrame。Scikit-Learn最初不是为了直接与Pandas整合而建的。所有的Pandas对象都在内部转换成NumPy数组，并且在转换后总是返回NumPy数组。
我们仍然可以通过其get_feature_names方法从OneHotEncoder对象获得列名。
>>> feature_names = ohe.get_feature_names()
>>> feature_names
array(['x0_1.5Fin', 'x0_1.5Unf', 'x0_1Story', 'x0_2.5Fin',
'x0_2.5Unf', 'x0_2Story', 'x0_SFoyer', 'x0_SLvl'], dtype=object)
接下来让我们验证估计值是否正确。首先是第一行编码的数据。
>>> row0 = hs_train_transformed[0]
>>> row0
array([0., 0., 0., 0., 0., 1., 0., 0.])
这将数组中的第6个值编码为1。让我们使用布尔索引（boolean index）来显示特征名称。
>>> feature_names[row0 == 1]
array(['x0_2Story'], dtype=object)
现在，让我们验证原始DataFrame列中的第一个值是否相同。
>>> hs_train.values[0]
array(['2Story'], dtype=object)
使用inverse_transform来实现自动化
与大多数transformer对象一样，有一个inverse_transform方法可以返回原始数据。在这里，我们必须将row0包装在一个列表中，使其成为一个2D数组。
>>> ohe.inverse_transform([row0])
array([['2Story']], dtype=object)
我们可以通过转置整个转换后的数组来验证所有的值。
>>> hs_inv = ohe.inverse_transform(hs_train_transformed)
>>> hs_inv
array([['2Story'],
['1Story'],
['2Story'],
...,
['2Story'],
['1Story'],
['1Story']], dtype=object)
>>> np.array_equal(hs_inv, hs_train.values)
True
无论我们对训练集做什么转换，我们都必须应用到测试集。
>>> test = pd.read_csv('data/housing/test.csv')
>>> hs_test = test[['HouseStyle']].copy()
>>> hs_test_transformed = ohe.transform(hs_test)
>>> hs_test_transformed
array([[0., 0., 1., ..., 0., 0., 0.],
[0., 0., 1., ..., 0., 0., 0.],
[0., 0., 0., ..., 1., 0., 0.],
...,
[0., 0., 1., ..., 0., 0., 0.],
[0., 0., 0., ..., 0., 1., 0.],
[0., 0., 0., ..., 1., 0., 0.]])
我们又得到了8列。
>>> hs_test_transformed.shape
(1459, 8)
现在，我们必须impute缺失数据。预处理模块中旧的Imputer已经被弃用。一个新的模块——impute，由一个新的估计值SimpleImputer和一个新的策略“常量”组成。默认情况下，此策略将用字符串“missing_value”来填充缺失值。我们可以选择使用fill_value参数设置它。
>>> hs_train = train[['HouseStyle']].copy()
>>> hs_train.iloc[0, 0] = np.nan
>>> from sklearn.impute import SimpleImputer
>>> si = SimpleImputer(strategy='constant', fill_value='MISSING')
>>> hs_train_imputed = si.fit_transform(hs_train)
>>> hs_train_imputed
array([['MISSING'],
['1Story'],
['2Story'],
...,
['2Story'],
['1Story'],
['1Story']], dtype=object)
接下来，我们可以像以前那样编码啦！
>>> hs_train_transformed = ohe.fit_transform(hs_train_imputed)
>>> hs_train_transformed
array([[0., 0., 0., ..., 1., 0., 0.],
[0., 0., 1., ..., 0., 0., 0.],
[0., 0., 0., ..., 0., 0., 0.],
...,
[0., 0., 0., ..., 0., 0., 0.],
[0., 0., 1., ..., 0., 0., 0.],
[0., 0., 1., ..., 0., 0., 0.]])
注意，我们现在有了一个额外的列和一个额外的特征名称。
>>> hs_train_transformed.shape
(1460, 9)
>>> ohe.get_feature_names()
array(['x0_1.5Fin', 'x0_1.5Unf', 'x0_1Story', 'x0_2.5Fin',
'x0_2.5Unf', 'x0_2Story', 'x0_MISSING', 'x0_SFoyer',
'x0_SLvl'], dtype=object)
更多关于fit_transform的细节
对于所有的估计器，fit_transform方法将首先调用fit方法，然后调用transform方法。fit方法找到转换过程中使用的关键属性。例如，对于SimpleImputer，如果策略是“均值”，那么它就会在fit方法中找到每一列的均值。它会存储每一列的均值。当调用transform时，它使用每个列的这个存储平均值来填充缺失值并返回转换后的数组。
OneHotEncoder原理是类似的。在fit方法中，它会找到每个列的所有唯一值，并再次存储这些值。在调用transform时，它使用这些存储的惟一值来生成二进制数组。
我们可以手动应用上面的两个步骤，如下所示:
>>> hs_test = test[['HouseStyle']].copy()
>>> hs_test.iloc[0, 0] = 'unique value to test set'
>>> hs_test.iloc[1, 0] = np.nan
>>> hs_test_imputed = si.transform(hs_test)
>>> hs_test_transformed = ohe.transform(hs_test_imputed)
>>> hs_test_transformed.shape
(1459, 8)
>>> ohe.get_feature_names()
array(['x0_1.5Fin', 'x0_1.5Unf', 'x0_1Story', 'x0_2.5Fin',
'x0_2.5Unf', 'x0_2Story', 'x0_SFoyer', 'x0_SLvl'],
dtype=object)
Scikit-Learn提供了一个Pipeline估计器，它获取一个转换列表并依次应用它们。您还可以运行机器学习模型作为最终评估器。在这里，我们只是简单地impute和编码。
>>> from sklearn.pipeline import Pipeline
每个步骤是一个two-item元组，由一个标记步骤和实例化估计器的字符串组成。前一个步骤的输出是后一个步骤的输入。
>>> si_step = ('si', SimpleImputer(strategy='constant',
fill_value='MISSING'))
>>> ohe_step = ('ohe', OneHotEncoder(sparse=False,
handle_unknown='ignore'))
>>> steps = [si_step, ohe_step]
>>> pipe = Pipeline(steps)
>>> hs_train = train[['HouseStyle']].copy()
>>> hs_train.iloc[0, 0] = np.nan
>>> hs_transformed = pipe.fit_transform(hs_train)
>>> hs_transformed.shape
(1460, 9)
通过简单地将测试集传递给transform方法，可以轻松地通过Pipeline的每个步骤转换测试集。
>>> hs_test = test[['HouseStyle']].copy()
>>> hs_test_transformed = pipe.transform(hs_test)
>>> hs_test_transformed.shape
(1459, 9)
为什么只对测试集转换方法?
在转换测试集时，重要的是只调用transform方法，而不是fit_transform。当我们在训练集中运行fit_transform时，Scikit-Learn找到了它需要的所有必要信息，以便转换包含相同列名的任何其他数据集。
对多列字符串进行编码不成问题。先选择你要编码的列，再通过同样的流程传递新的数据框架。
>>> string_cols = ['RoofMatl', 'HouseStyle']
>>> string_train = train[string_cols]
>>> string_train.head(3)
RoofMatl HouseStyle
0 CompShg 2Story
1 CompShg 1Story
2 CompShg 2Story
>>> string_train_transformed = pipe.fit_transform(string_train)
>>> string_train_transformed.shape
(1460, 16)
我们可以通过named_steps字典属性中的名称检索pipeline中的每个转换器。在本例中，我们可以得到一个热门编码器，用来输出特征名称。
>>> ohe = pipe.named_steps['ohe']
>>> ohe.get_feature_names()
array(['x0_ClyTile', 'x0_CompShg', 'x0_Membran', 'x0_Metal',
'x0_Roll', 'x0_Tar&Grv', 'x0_WdShake', 'x0_WdShngl',
'x1_1.5Fin', 'x1_1.5Unf', 'x1_1Story', 'x1_2.5Fin',
'x1_2.5Unf', 'x1_2Story', 'x1_SFoyer', 'x1_SLvl'],
dtype=object)
全新的列转换器（属于新组合模块的一部分）可以让用户选择要让哪些列获得哪些转换。 与连续列相比，分类列几乎总是需要单独的转换。
列转换器目前是还是实验性的，其功能将来可能会发生变化。
ColumnTransformer获取三项元组（tuple）的列表。 元组中的第一个值其标记作用的名称，第二个是实例化的估算器，第三个是要进行转换的列的列表。 元组如下所示：
('name', SomeTransformer(parameters), columns)
这里的列实际上不必一定是列名。用户可以使用列的整数索引，布尔数组，甚至函数（它可以使用整个DataFrame作为参数，并且必须返回选择的列）。
用户也可以将NumPy数组与列转换器一起使用，但本教程主要关注Pandas的集成，因此我们这里继续使用DataFrames。
我们甚至可以将多个转换的流程传递给列转换器，我们现在正是要这样做，因为在字符串列上有多个转换。
下面，我们使用列转换器重现上述流程和编码。 请注意，实际流程与上面的流程完全相同，只是附加了每个变量名称的cat。 我们将在下一章节中为数字列添加不同的流程。
>>> from sklearn.compose import ColumnTransformer
>>> cat_si_step = ('si', SimpleImputer(strategy='constant',
fill_value='MISSING'))
>>> cat_ohe_step = ('ohe', OneHotEncoder(sparse=False,
handle_unknown='ignore'))
>>> cat_steps = [cat_si_step, cat_ohe_step]
>>> cat_pipe = Pipeline(cat_steps)
>>> cat_cols = ['RoofMatl', 'HouseStyle']
>>> cat_transformers = [('cat', cat_pipe, cat_cols)]
>>> ct = ColumnTransformer(transformers=cat_transformers)
将整个DataFrame传递给列转换器
列转换器实例可以选择我们想要使用的列，因此我们只需将整个DataFrame传递给fit_transform方法，就可以选择我们所需的列。
>>> X_cat_transformed = ct.fit_transform(train)
>>> X_cat_transformed.shape
(1460, 16)
然后可以使用同样的方法转换测试集。
>>> X_cat_transformed_test = ct.transform(test)
>>> X_cat_transformed_test.shape
(1459, 16)
检索特征名
我们必须进一步挖掘，来获取特征名。所有的转换器都存储在named_transformers_ dictionary属性中。 然后使用特征名、含有三项要素的元组中的第一项，来选择特定的转换器。 下面的代码就是选择转换器（此例中只有一个流程，名为cat）。
>>> pl = ct.named_transformers_['cat']
然后从这个流程中选择一个热编码器对象，最后得到特征名。
>>> ohe = pl.named_steps['ohe']
>>> ohe.get_feature_names()
array(['x0_ClyTile', 'x0_CompShg', 'x0_Membran', 'x0_Metal',
'x0_Roll','x0_Tar&Grv', 'x0_WdShake', 'x0_WdShngl',
'x1_1.5Fin', 'x1_1.5Unf', 'x1_1Story', 'x1_2.5Fin',
'x1_2.5Unf', 'x1_2Story', 'x1_SFoyer', 'x1_SLvl'],
dtype=object)
数字列需要一组不同的转换。我们不使用常亮来填充缺失值，而是经常选择中值或均值。一般不对列中的值进行编码，而是通常将列中的值减去每列的平均值并除以标准差，对列中的值进行标准化。这有助于让许多模型产生更好的拟合结果（比如脊回归）。
我们可以选择所有数字列，而不是像处理字符串列一样，手动选择一列或两列。首先使用dtypes属性查找每列的数据类型，然后测试每个dtype的类型是否为“O”。 dtypes属性会返回一系列NumPy dtype对象，每个对象都有一个单一字符的kind属性。我们可以利用它来查找数字或字符串列。 Pandas将其所有字符串列存储为kind属性等于“O”的对象。有关kind属性的更多信息，请参阅NumPy文档。
>>> train.dtypes.head()
Id int64
MSSubClass int64
MSZoning object
LotFrontage float64
LotArea int64
dtype: object
获取kind属性，该属性是表示dtype的单字字符串。
>>> kinds = np.array([dt.kind for dt in train.dtypes])
>>> kinds[:5]
array(['i', 'i', 'O', 'f', 'i'], dtype='<U1')
假设所有的数字列都是非对象性的。我们可以使用同样的方法来获取类别列。
>>> all_columns = train.columns.values
>>> is_num = kinds != 'O'
>>> num_cols = all_columns[is_num]
>>> num_cols[:5]
array(['Id', 'MSSubClass', 'LotFrontage', 'LotArea', 'OverallQual'],
dtype=object)
>>> cat_cols = all_columns[~is_num]
>>> cat_cols[:5]
array(['MSZoning', 'Street', 'Alley', 'LotShape', 'LandContour'],
dtype=object)
获取数字列列名之后，可以再次使用列转换器。
>>> from sklearn.preprocessing import StandardScaler
>>> num_si_step = ('si', SimpleImputer(strategy='median'))
>>> num_ss_step = ('ss', StandardScaler())
>>> num_steps = [num_si_step, num_ss_step]
>>> num_pipe = Pipeline(num_steps)
>>> num_transformers = [('num', num_pipe, num_cols)]
>>> ct = ColumnTransformer(transformers=num_transformers)
>>> X_num_transformed = ct.fit_transform(train)
>>> X_num_transformed.shape
(1460, 37)
我们可以使用类转换器对DataFrame的每个部分进行单独转换。在本文的示例中，我们将使用每一列。
然后，将类别列和数字列分别创建单独的流程，然后使用列转换器进行独立转换。这两个转换过程是并行的。最后，将每个转换结果连接在一起。
>>> transformers = [('cat', cat_pipe, cat_cols),
('num', num_pipe, num_cols)]
>>> ct = ColumnTransformer(transformers=transformers)
>>> X = ct.fit_transform(train)
>>> X.shape
(1460, 305)
本文的重点就是设置数据，以便进行机器学习。我们可以创建一个最终流程，并添加机器学习模型作为最终的估算器。这个流程的第一步就是我们上文刚刚完成的整个转换过程。我们在本文开始处设定y表示售价。在这里，我们将使用thefit方法，而不是fit_transform方法，因为流程的最后一步是机器学习模型，而且不进行转换。
>>> from sklearn.linear_model import Ridge
>>> ml_pipe = Pipeline([('transform', ct), ('ridge', Ridge())])
>>> ml_pipe.fit(train, y)
我们可以用score方法来评估模型，它将返回一个R-Squared值：
>>> ml_pipe.score(train, y)
0.92205
当然，在训练集上进行自我评分是没有用的。我们需要做一些K重交叉验证，以了解如何处理不可见的数据。这里我们设置一个随机状态，以便在整个教程的其余各部分保持同样的状态。
>>> from sklearn.model_selection import KFold, cross_val_score
>>> kf = KFold(n_splits=5, shuffle=True, random_state=123)
>>> cross_val_score(ml_pipe, train, y, cv=kf).mean()
0.813
在Scikit-Learn中进行网格搜索，要求我们将映射传递至到可能值的参数名称字典中。 在流程中，我们必须将步骤的名称加上双下划线，然后使用参数名。 如果流程中有多个层级，必须继续使用双下划线，向上移动一级，直至到达我们想要优化其参数的估算器为止。
>>> from sklearn.model_selection import GridSearchCV
>>> param_grid = {
'transform__num__si__strategy': ['mean', 'median'],
'ridge__alpha': [.001, 0.1, 1.0, 5, 10, 50, 100, 1000],
}
>>> gs = GridSearchCV(ml_pipe, param_grid, cv=kf)
>>> gs.fit(train, y)
>>> gs.best_params_
{'ridge__alpha': 10, 'transform__num__si__strategy': 'median'}
>>> gs.best_score_
0.819
在Pandas DataFrame中获取所有网格搜索结果
网格搜索的所有结果都存储在cv_results_属性中。 这是一个字典，可以转换为Pandas DataFrame以获得更好的显示效果，该属性使用一种更容易进行手动扫描的结构。
>>> pd.DataFrame(gs.cv_results_)
参数网格中每一种组合中都包含大量数据
在上述工作流程中存在一些限制。例如，如果热编码器允许在使用fit方法期间忽略缺失值，那就更好了，那就可以简单地将缺失值编码为全零行。而目前，它还要强制用户用一些字符串去填充缺失值，然后将此字符串编码为单独的列。
低频字符串
此外，在训练集中仅出现几次的字符串列，可能不是测试集中的可靠预测变量。我们可能希望将它们编码为缺失值。
编写自己的估算器类
Scikit-Learn可以帮助用户编写自己的估算器类。基本模块中的BaseEstimator类可以提供get_params和set_params方法。当进行网格搜索时，set_params方法是必需的。用户可以自己编写，也可以用BaseEstimator。还有一个TransformerMixin，但只是为用户编写fit_transform方法。
以下代码构建的类基本转换器可执行以下操作：
•使用数字列的均值或中位数填充缺失值
•对所有数字列进行标准化
•对字符串列使用一个热编码
•不用再填充类别列中的缺失值，而是直接将其编码为0
•忽略测试集中字符串列中的少数独特值
•允许您为字符串列中值必须具有的出现次数选择阈值。低于此阈值的字符串将被编码为全0
•仅适用于DataFrames，并且只是实验性的，未经过测试，因此可能会破坏某些数据集。
•之所以称其为“基本”转换器，是因为对许多数据集而言，这些操作属于最基本的转换。
from sklearn.base import BaseEstimator
class BasicTransformer(BaseEstimator):
def __init__(self, cat_threshold=None, num_strategy='median',
return_df=False):
# store parameters as public attributes
self.cat_threshold = cat_threshold
if num_strategy not in ['mean', 'median']:
raise ValueError('num_strategy must be either "mean" or
"median"')
self.num_strategy = num_strategy
self.return_df = return_df
def fit(self, X, y=None):
# Assumes X is a DataFrame
self._columns = X.columns.values
# Split data into categorical and numeric
self._dtypes = X.dtypes.values
self._kinds = np.array([dt.kind for dt in X.dtypes])
self._column_dtypes = {}
is_cat = self._kinds == 'O'
self._column_dtypes['cat'] = self._columns[is_cat]
self._column_dtypes['num'] = self._columns[~is_cat]
self._feature_names = self._column_dtypes['num']
# Create a dictionary mapping categorical column to unique
# values above threshold
self._cat_cols = {}
for col in self._column_dtypes['cat']:
vc = X[col].value_counts()
if self.cat_threshold is not None:
vc = vc[vc > self.cat_threshold]
vals = vc.index.values
self._cat_cols[col] = vals
self._feature_names = np.append(self._feature_names, col
+ '_' + vals)
# get total number of new categorical columns
self._total_cat_cols = sum([len(v) for col, v in
self._cat_cols.items()])
# get mean or median
num_cols = self._column_dtypes['num']
self._num_fill = X[num_cols].agg(self.num_strategy)
return self
def transform(self, X):
# check that we have a DataFrame with same column names as
# the one we fit
if set(self._columns) != set(X.columns):
raise ValueError('Passed DataFrame has different columns
than fit DataFrame')
elif len(self._columns) != len(X.columns):
raise ValueError('Passed DataFrame has different number
of columns than fit DataFrame')
# fill missing values
num_cols = self._column_dtypes['num']
X_num = X[num_cols].fillna(self._num_fill)
# Standardize numerics
std = X_num.std()
X_num = (X_num - X_num.mean()) / std
zero_std = np.where(std == 0)[0]
# If there is 0 standard deviation, then all values are the
# same. Set them to 0.
if len(zero_std) > 0:
X_num.iloc[:, zero_std] = 0
X_num = X_num.values
# create separate array for new encoded categoricals
X_cat = np.empty((len(X), self._total_cat_cols),
dtype='int')
i = 0
for col in self._column_dtypes['cat']:
vals = self._cat_cols[col]
for val in vals:
X_cat[:, i] = X[col] == val
i += 1
# concatenate transformed numeric and categorical arrays
data = np.column_stack((X_num, X_cat))
# return either a DataFrame or an array
if self.return_df:
return pd.DataFrame(data=data,
columns=self._feature_names)
else:
return data
def fit_transform(self, X, y=None):
return self.fit(X).transform(X)
def get_feature_names():
return self._feature_names
上面构建的基础转换器估算器应该可以像任何其他scikit-learn估算器一样使用。我们可以将其实例化，然后转换数据。
>>> bt = BasicTransformer(cat_threshold=3, return_df=True)
>>> train_transformed = bt.fit_transform(train)
>>> train_transformed.head(3)
DataFrame中数字列和类别列相交处的列
在pipeline中使用转换器
上文构建的转换器可以作为流程的一部分。
>>> basic_pipe = Pipeline([('bt', bt), ('ridge', Ridge())])
>>> basic_pipe.fit(train, y)
>>> basic_pipe.score(train, y)
0.904
用户也可以使用它进行交叉验证，获得与上面的scikit-learn列转换器流程相似的分数。
>>> cross_val_score(basic_pipe, train, y, cv=kf).mean()
0.816
我们也可以将其用作网格搜索的一部分。事实证明，将低频字符串排除在外，并没有明显改善模型的表现，尽管它可以在其他模型中使用。不过，在最佳评分方面确实有所提高，这可能是由于使用了略微不同的编码方案。
>>> param_grid = {
'bt__cat_threshold': [0, 1, 2, 3, 5],
'ridge__alpha': [.1, 1, 10, 100]
}
>>> gs = GridSearchCV(p, param_grid, cv=kf)
>>> gs.fit(train, y)
>>> gs.best_params_
{'bt__cat_threshold': 0, 'ridge__alpha': 10}
>>> gs.best_score_
0.830
对于包含年份的一些数字列，将其中的值视为类别列更有意义。 Scikit-Learn推出了新的估算器KBinsDiscretizer来实现这一点。它不仅可以存储值，还可以对这些值进行编码。在使用Pandas cut或qcut函数手动完成此这类操作之前，一起来看看它如何处理年份数字列的。
>>> from sklearn.preprocessing import KBinsDiscretizer
>>> kbd = KBinsDiscretizer(encode='onehot-dense')
>>> year_built_transformed = kbd.fit_transform(train[['YearBuilt']])
>>> year_built_transformed
array([[0., 0., 0., 0., 1.],
[0., 0., 1., 0., 0.],
[0., 0., 0., 1., 0.],
...,
[1., 0., 0., 0., 0.],
[0., 1., 0., 0., 0.],
[0., 0., 1., 0., 0.]])
在默认设置下，每个bin中都包括相等数量的观察数据。下面对每列求和来验证这一点。
>>> year_built_transformed.sum(axis=0)
array([292., 274., 307., 266., 321.])
这就是“分位数策略”，用户可以选择“统一”模式，为bin边界划定相等的空间，也可以选择“k平均”聚类，自定义bin边界。
>>> kbd.bin_edges_
array([array([1872. , 1947.8, 1965. , 1984. , 2003. , 2010. ])],
dtype=object)
现在有一个需要单独处理的列子集，我们可以使用列转换器来执行此操作。下面的代码为我们之前的转换添加了一个步骤。此外还删除了标识列，只标识出每一行。
>>> year_cols = ['YearBuilt', 'YearRemodAdd', 'GarageYrBlt',
'YrSold']
>>> not_year = ~np.isin(num_cols, year_cols + ['Id'])
>>> num_cols2 = num_cols[not_year]
>>> year_si_step = ('si', SimpleImputer(strategy='median'))
>>> year_kbd_step = ('kbd', KBinsDiscretizer(n_bins=5,
encode='onehot-dense'))
>>> year_steps = [year_si_step, year_kbd_step]
>>> year_pipe = Pipeline(year_steps)
>>> transformers = [('cat', cat_pipe, cat_cols),
('num', num_pipe, num_cols2),
('year', year_pipe, year_cols)]
>>> ct = ColumnTransformer(transformers=transformers)
>>> X = ct.fit_transform(train)
>>> X.shape
(1460, 320)
通过交叉验证和评分，发现所有这些处理都没有带来任何改进。
>>> ml_pipe = Pipeline([('transform', ct), ('ridge', Ridge())])
>>> cross_val_score(ml_pipe, train, y, cv=kf).mean()
0.813
为每列使用不同数量的bin可能会改善我们的结果。尽管如此，KBinsDiscretizer还可以轻松地对数字变量进行分装。
标题：Scikit-Learn 0.20的更多亮点
本次即将发布的版本附带了更多新功能。更多详细信息，请查看文档的“新增内容”部分。有很多变化哦。
本文介绍了一个新的工作流程，提供了一个基于Pandas进行初步数据探索和准备的Scikit-Learn用户方案。现在，改进型的新估算器ColumnTransformer，SimpleImputer，OneHotEncoder和KBinsDiscretizer，让整个数据处理流程变得更加平滑，功能也更加丰富。用户可以获取Pandas DataFrame，并对其进行转换，为机器学习做好准备。
原文链接地址：
https://medium.com/dunder-data/from-pandas-to-scikit-learn-a-new-exciting-workflow-e88e2271ef62
点击“ 阅读原文 ”进入AI学院学习
相关内容
微信扫码咨询专知VIP会员