Scikit-Learn ColumnTransformer 和 FeatureUnion 管道代码区别

Question

我正在使用带有 Scikit-Learn 和 TensorFlow 的动手机器学习：概念，工具... 作者：Aurélien Géron。

我正在尝试在“转换管道”之后和“选择和训练模型”之前运行第 1 章中的代码。

旧版书使用以下代码进行组合转换：

from sklearn.base import BaseEstimator , TransformerMixin
class DataFrameSelector(BaseEstimator, TransformerMixin):
    def __init__(self,  attribute_names):
        self.attribute_names = attribute_names
    def fit(self, X, y=None):
        return self
    def transform(self, X):
        return X[self.attribute_names].values

from sklearn.pipeline import FeatureUnion
#from sklearn_features.transformers import DataFrameSelector

num_attribs = list(housing_num) 
cat_attribs = ["ocean_proximity"]


num_pipeline = Pipeline([
    ('selector', DataFrameSelector(num_attribs)),
    ('imputer', SimpleImputer(strategy="median")),
    ('attribs_adder', CombinedAttributesAdder()),
    ('std_scaler', StandardScaler()),
    ])
cat_pipeline = Pipeline([
    ('selector', DataFrameSelector(cat_attribs)),
    ('label_binarizer', LabelBinarizer()),
    ])

full_pipeline = FeatureUnion(transformer_list=[
    ("num_pipeline", num_pipeline),
    ("cat_pipeline", cat_pipeline),
    ])

housing_prepared=full_pipeline.fit_transform( housing  )
housing_prepared

然而，新代码使用了新引入的 ColumnTransformer

from sklearn.compose import ColumnTransformer
num_attribs=list(housing_num)
cat_attribs=["ocean_proximity"]

full_pipeline = ColumnTransformer([
    ("num", num_pipeline, num_attribs),
    ("cat", OneHotEncoder(),cat_attribs),
    ])
    housing_prepared=full_pipeline.fit_transform( housing  )
    housing_prepared

我想知道为什么旧版本的代码已停产并且无法正常工作，以及 ColumnTransformer 与 FeatureUnion 相比有什么新功能。

Answer 1

快速浏览一下，我看到他们使用DataFrameSelector来选择要在管道中进一步处理的列。 这非常麻烦，因为您总是需要手动定义DataFrameSelector 。 这是ColumnTransofmer解决的问题。

我不认为第一种方式“停止工作”，只是有第二种选择，你应该尝试使用它。 您的代码片段是这个新功能如何帮助编写更清晰代码的一个很好的例子。

希望这能澄清你的疑虑！

Answer 2

对于数据预处理步骤， ColumnTransformer是比FeatureUnion更好的选择，因为它更简单，我们需要编写的代码更少。

Answer 3

这种方法的一种新替代方法可能会更简单，它是新的skdag package（免责声明：我是作者）。 我写这篇文章是因为我个人发现 ColumnTransformers 和 FeatureUnions 很辛苦，而且 Pipeline 对 Pandas 数据帧的支持对我来说还不够。

skdag应该支持您在本地尝试执行的所有操作，而无需自定义类来处理数据帧。 它使您可以将工作流程构建为图形，因此不再需要 FeatureUnions。 这是用skdag重写的示例：

from skdag import DAGBuilder

dag = (
    DAGBuilder(infer_dataframe=True)
    .add_step("input", "passthrough")
    .add_step("imputer", SimpleImputer(strategy="median"), deps={"input": num_attribs})
    .add_step("attribs_adder", CombinedAttributesAdder(), deps=["imputer"])
    .add_step("std_scaler", StandardScaler(), deps=["attribs_adder"])
    .add_step("label_binarizer", LabelBinarizer(), deps={"input": cat_attribs})
    .add_step("merged", "passthrough", deps=["std_scaler", "label_binarizer"])
    .make_dag()
)

dag.fit_transform(housing)

如果要可视化图形，可以在 Jupyter Notebooks 等交互式环境中调用dag.show()或 dag.draw() 来生成图像或文本文件：

dag.show()

完整的文档可以在https://skdag.readthedocs.io/找到。