我目前正在开发一种用于票证分类的机器学习算法，该算法将标题，描述和客户名称组合在一起，以预测应该将票证分配给哪个团队但过去几天一直处于停滞状态。
标题和描述都是自由文本，所以我通过TfidfVectorizer传递它们。客户名称是一个类别，为此我使用的是OneHotEncoder。我希望这些在管道中工作，所以让它们与列变换器连接，我可以传入整个数据帧并对其进行处理。
file = "train_data.csv"
train_data= pd.read_csv(train_file)
string_features = ['Title', 'Description']
string_transformer = Pipeline(steps=[('tfidf', TfidfVectorizer()))
categorical_features = ['Customer']
categorical_transformer = Pipeline(steps=[('OHE', preprocessing.OneHotEncoder()))
preprocessor = ColumnTransformer(transformers = [('str', string_transformer, string_features), ('cat', categorical_transformer, categorical_features)])
clf = Pipeline(steps=[('preprocessor', preprocessor),('clf', SGDClassifier())]
X_train = train_data.drop('Team', axis=1)
y_train = train_data['Team']
clf.fit(X_train, y_train)
但是我收到一个错误：除了连接轴之外的所有输入数组维度必须完全匹配。
在查看之后，print(OneHotEncoder().fit_transform(X_train['Customer']))自己返回一个错误：预期的2d数组得到了1d数组。
我相信OneHotEncoder失败了，因为它期望一个数组（一个pandas数据帧），每个数组都包含一个包含客户名称的数组。但相反只是获得一个熊猫系列。通过使用.to_frame（）将系列转换为数据帧，打印输出现在似乎与TfidfVectorizer输出的相匹配，并且尺寸应该匹配。
有没有办法可以在管道中修改OneHotEncoder，以便它接受输入，因为它在1维？或者有什么我可以添加到管道，将其转换为OneHotEncoder之前将其转换？我是对的，这是错误的原因吗？
谢谢。
我相信问题在于你给TfIdfVectorizer两个列（因此转换为DataFrame）。这不起作用：TfIdfVectorizer需要一个字符串列表。因此，立即解决（因此检查这是否实际上是问题的根源），正在将此行更改为：string_features = 'Description'。请注意，这不是列表，只是一个字符串。因此，Series传递给TfIdfVectorizer，而不是DataFrame。
如果你想组合两个字符串列，你也可以
TfIdfVectorizers，它更复杂但可能表现更好。例如，参见Computing separate tfidf scores for two different columns using sklearn如果这不能解决您的问题，我建议您分享一些示例数据，以便我们可以实际测试正在发生的事情。
我相信你的感知误差和实际管道之间的区别在于你给它X_train['Customer']（再次是Series），但在实际的管道中你给它X_train[['Customer']]（一个DataFrame）。