"ValueError: 所有输入数组的维度必须相同" 在sklearn pipeline中出错。

Question

我正在使用sklearn pipeline构建一个机器学习流程。在预处理步骤中，我尝试对两个不同的字符串变量进行两种不同的处理：1）对BusinessType进行独热编码 2）对AreaCode进行均值编码，如下所示：

preprocesses_pipeline = make_pipeline (
    FeatureUnion (transformer_list = [
        ("text_features1",  make_pipeline(
            FunctionTransformer(getBusinessTypeCol, validate=False), CustomOHE()
        )),
        ("text_features2",  make_pipeline(
            FunctionTransformer(getAreaCodeCol, validate=False)
        ))
    ])
)

preprocesses_pipeline.fit_transform(trainDF[X_cols])

以下是定义为TransformerMixin类的内容：

class MeanEncoding(BaseEstimator, TransformerMixin):
    def fit(self, X, y=None):
        return self

    def transform(self, X):
        tmp = X['AreaCode1'].map(X.groupby('AreaCode1')['isFail'].mean())
        return tmp.values

class CustomOHE(BaseEstimator, TransformerMixin):
    def fit(self, X, y=None):
        return self

    def transform(self, X):
        tmp = pd.get_dummies(X)
        return tmp.values

并且 FunctionTransformer 函数返回所需的字段

def getBusinessTypeCol(df):
    return df['BusinessType']

def getAreaCodeCol(df):
    return df[['AreaCode1','isFail']]

现在当我运行上述管道时，它会生成以下错误

---------------------------------------------------------------------------
ValueError                                Traceback (most recent call last)
<ipython-input-146-7f3a31a39c81> in <module>()
     15 )
     16 
---> 17 preprocesses_pipeline.fit_transform(trainDF[X_cols])

~\Anaconda3\lib\site-packages\sklearn\pipeline.py in fit_transform(self, X, y, **fit_params)
    281         Xt, fit_params = self._fit(X, y, **fit_params)
    282         if hasattr(last_step, 'fit_transform'):
--> 283             return last_step.fit_transform(Xt, y, **fit_params)
    284         elif last_step is None:
    285             return Xt

~\Anaconda3\lib\site-packages\sklearn\pipeline.py in fit_transform(self, X, y, **fit_params)
    747             Xs = sparse.hstack(Xs).tocsr()
    748         else:
--> 749             Xs = np.hstack(Xs)
    750         return Xs
    751 

~\Anaconda3\lib\site-packages\numpy\core\shape_base.py in hstack(tup)
    286         return _nx.concatenate(arrs, 0)
    287     else:
--> 288         return _nx.concatenate(arrs, 1)
    289 
    290 

ValueError: all the input arrays must have same number of dimensions

看起来在管道中有"MeanEncoding"的那一行出现了错误，因为将其删除后管道可以正常工作。不确定具体出了什么问题，需要帮助。

- FarrukhJ

Answer 1

好的，我解决了这个难题。基本上，MeanEncoding() 在转换后返回格式为 (n,) 的数组，而返回的调用期望的格式是 (n,1)，因此它可以将此 (n,1) 与第一个流水线返回的已处理数组 (n,k) 组合起来，该流水线返回 CustomOHE()。由于 numpy 无法将 (n,) 和 (n,k) 结合起来，因此需要将其重新整形为 (n,1)。所以，现在我的 MeanEncoding 类如下：

class MeanEncoding(BaseEstimator, TransformerMixin):
    def fit(self, X, y=None):
        return self

    def transform(self, X):
        tmp = X['AreaCode1'].map(X.groupby('AreaCode1')['isFail'].mean())
        return tmp.values.reshape(len(tmp), 1)

- FarrukhJ