从FeatureUnion + Pipeline中获取要素名称

Question

我正在使用FeatureUnion来加入从事件标题和描述中找到的功能：

union = FeatureUnion(
    transformer_list=[
    # Pipeline for pulling features from the event's title
        ('title', Pipeline([
            ('selector', TextSelector(key='title')),
            ('count', CountVectorizer(stop_words='english')),
        ])),

        # Pipeline for standard bag-of-words model for description
        ('description', Pipeline([
            ('selector', TextSelector(key='description_snippet')),
            ('count', TfidfVectorizer(stop_words='english')),
        ])),
    ],

    transformer_weights ={
            'title': 1.0,
            'description': 0.2
    },
)

但是，调用union.get_feature_names()会给我一个错误：“Transformer title（type Pipeline）不提供get_feature_names。”我想看看我的不同矢量化器生成的一些功能。我该怎么做呢？

Answer 1

因为你正在使用一个名为qazxsw poi的自定义变换器。你在qazxsw poi中实现了TextSelector吗？

如果要使用此方法，则必须在自定义转换中实现此方法。

这是一个具体的例子：

get_feature_names

请记住，TextSelector将连接每个变换器各自

from sklearn.datasets import load_boston
from sklearn.pipeline import FeatureUnion, Pipeline
from sklearn.base import TransformerMixin
import pandas as pd

dat = load_boston()
X = pd.DataFrame(dat['data'], columns=dat['feature_names'])
y = dat['target']

# define first custom transformer
class first_transform(TransformerMixin):
    def transform(self, df):
        return df

    def get_feature_names(self):
        return df.columns.tolist()


class second_transform(TransformerMixin):
    def transform(self, df):
        return df

    def get_feature_names(self):
        return df.columns.tolist()



pipe = Pipeline([
       ('features', FeatureUnion([
                    ('custom_transform_first', first_transform()),
                    ('custom_transform_second', second_transform())
                ])
        )])

>>> pipe.named_steps['features']_.get_feature_names()
['custom_transform_first__CRIM',
 'custom_transform_first__ZN',
 'custom_transform_first__INDUS',
 'custom_transform_first__CHAS',
 'custom_transform_first__NOX',
 'custom_transform_first__RM',
 'custom_transform_first__AGE',
 'custom_transform_first__DIS',
 'custom_transform_first__RAD',
 'custom_transform_first__TAX',
 'custom_transform_first__PTRATIO',
 'custom_transform_first__B',
 'custom_transform_first__LSTAT',
 'custom_transform_second__CRIM',
 'custom_transform_second__ZN',
 'custom_transform_second__INDUS',
 'custom_transform_second__CHAS',
 'custom_transform_second__NOX',
 'custom_transform_second__RM',
 'custom_transform_second__AGE',
 'custom_transform_second__DIS',
 'custom_transform_second__RAD',
 'custom_transform_second__TAX',
 'custom_transform_second__PTRATIO',
 'custom_transform_second__B',
 'custom_transform_second__LSTAT']

发出的两个列表。这就是为什么当一个或多个变压器没有这种方法时你会收到错误的原因。

但是，我可以看到，仅此一项不能解决您的问题，因为Pipeline对象中没有Feature Union方法，并且您有嵌套管道（功能联合中的管道）。所以你有两个选择：

1. Subclass Pipeline并自己添加get_feature_names方法，它从链中的最后一个变换器获取特征名称。
2. 从每个变换器中自己提取功能名称，这将要求您自己从管道中获取这些变换器并在其上调用get_feature_names。

另外，请记住，许多内置变换器的sklearn不能在DataFrame上运行，而是绕过numpy数组，所以如果要将大量变换器链接在一起，请注意它。但我认为这可以为您提供足够的信息，让您了解正在发生的事情。

还有一件事，看看get_feature_names。我自己没有使用它，但它可能为您提供解决方案。

Answer 2

您可以将此不同的Vectorizer作为嵌套功能调用（感谢edesz）：

get_feature_names

然后你得到了TfidfVectorizer（）实例来传递另一个函数：

sklearn-pandas