使用OneHotEncoder（）有什么更好的方法？

Question

此刻，我有一个熊猫df x。 x有一个字符串列Name，我希望在Scikit-Learn管道中使用OneHotEncoder()。但是，我首先要操纵Name列（格式，剥离和调整），并且我认为可以为此构建自己的转换器。看起来像这样：

class NameModifier(BaseEstimator, TransformerMixin):
   def __init__(self):
      pass
   def fit(self, X, y=None):
      return self
   def transform(self, X, y=None):
      new_name_df = modifyAndReturnNewDataFrame(X)
      return new_name_df

然后我有了这个管道：

my_pipeline = ColumnTransformer([
   ("modify_name", NameModifier(), ["Name"]),
   ("encode_name", OneHotEncoder(), ["Name"])
])

# get prepared data
prepared_data = my_pipeline.fit_transform(x)

这不符合我的预期；看起来我的管道首先格式化了名称，但OneHotEncoder()并未真正对修改后的Name列进行编码，而是对原始的Name进行了编码（未进行任何修改）。如何将这些更改整合到管道中？

Answer 1

如果数据在Pandas DataFrame中，则在通过管道运行数据之前，我会使用apply：

import pandas as pd

data = [['Name_1 Space  ', 123], ['Name_2 Space  ', 456]]

df = pd.DataFrame(data, columns=['Names', 'Numerics'])
df['Names'] = df.Names.apply(lambda col: col.strip().replace(' Space', '').upper())

print(df)

        Names  Numerics
0  pre NAME_1       123
1  pre NAME_2       456