在 Scikit 特征选择后保留特征名称

Question

在对一组数据运行 Scikit-Learn 的方差阈值后，它删除了几个特征。 我觉得我在做一些简单而愚蠢的事情，但我想保留其余功能的名称。 以下代码：

def VarianceThreshold_selector(data):
    selector = VarianceThreshold(.5) 
    selector.fit(data)
    selector = (pd.DataFrame(selector.transform(data)))
    return selector
x = VarianceThreshold_selector(data)
print(x)

更改以下数据（这只是行的一小部分）：

Survived    Pclass  Sex Age SibSp   Parch   Nonsense
0             3      1  22   1        0        0
1             1      2  38   1        0        0
1             3      2  26   0        0        0

进入这个（再次只是行的一小部分）

     0         1      2     3
0    3      22.0      1     0
1    1      38.0      1     0
2    3      26.0      0     0

使用 get_support 方法，我知道这些是 Pclass、Age、Sibsp 和 Parch，所以我宁愿返回更像这样的东西：

     Pclass         Age      Sibsp     Parch
0        3          22.0         1         0
1        1          38.0         1         0
2        3          26.0         0         0

有没有简单的方法来做到这一点？ 我对 Scikit Learn 很陌生，所以我可能只是在做一些愚蠢的事情。

Answer 1

这样的事情会有帮助吗？ 如果您向它传递一个 Pandas 数据框，它将获取列并使用您提到的get_support来通过它们的索引迭代列列表以仅提取满足方差阈值的列标题。

>>> df
   Survived  Pclass  Sex  Age  SibSp  Parch  Nonsense
0         0       3    1   22      1      0         0
1         1       1    2   38      1      0         0
2         1       3    2   26      0      0         0

>>> from sklearn.feature_selection import VarianceThreshold
>>> def variance_threshold_selector(data, threshold=0.5):
    selector = VarianceThreshold(threshold)
    selector.fit(data)
    return data[data.columns[selector.get_support(indices=True)]]

>>> variance_threshold_selector(df, 0.5)
   Pclass  Age
0       3   22
1       1   38
2       3   26
>>> variance_threshold_selector(df, 0.9)
   Age
0   22
1   38
2   26
>>> variance_threshold_selector(df, 0.1)
   Survived  Pclass  Sex  Age  SibSp
0         0       3    1   22      1
1         1       1    2   38      1
2         1       3    2   26      0

Answer 2

我来这里是为了寻找一种让transform()或fit_transform()返回数据框的方法，但我怀疑它不受支持。

但是，您可以像这样更干净地对数据进行子集化：

data_transformed = data.loc[:, selector.get_support()]

Answer 3

可能有更好的方法来做到这一点，但对于那些感兴趣的人，我是这样做的：

def VarianceThreshold_selector(data):

    #Select Model
    selector = VarianceThreshold(0) #Defaults to 0.0, e.g. only remove features with the same value in all samples

    #Fit the Model
    selector.fit(data)
    features = selector.get_support(indices = True) #returns an array of integers corresponding to nonremoved features
    features = [column for column in data[features]] #Array of all nonremoved features' names

    #Format and Return
    selector = pd.DataFrame(selector.transform(data))
    selector.columns = features
    return selector

Answer 4

由于 Jarad 的功能存在一些问题，因此我将其与 pteehan 的解决方案混合在一起，我发现后者更可靠。 我还添加了 NA 替换作为标准，因为 VarianceThreshold 不喜欢 NA 值。

def variance_threshold_select(df, thresh=0.0, na_replacement=-999):
    df1 = df.copy(deep=True) # Make a deep copy of the dataframe
    selector = VarianceThreshold(thresh)
    selector.fit(df1.fillna(na_replacement)) # Fill NA values as VarianceThreshold cannot deal with those
    df2 = df.loc[:,selector.get_support(indices=False)] # Get new dataframe with columns deleted that have NA values

    return df2

Answer 5

这个作为代码怎么样？

columns = [col for col in df.columns]

low_var_cols = []

for col in train_file.columns:
if statistics.variance(df[col]) <= 0.1:
    low_var_cols.append(col)

然后从数据框中删除列？

Answer 6

您也可以使用 Pandas 进行阈值处理

data_new = data.loc[:, data.std(axis=0) > 0.75]