У меня есть DataFrame с плавающей точкой, строками и строками, которые можно интерпретировать как даты.
Кодировка метки для нескольких столбцов в scikit-learn
from sklearn.base import BaseEstimator, TransformerMixin
class DataFrameSelector(BaseException, 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
class MultiColumnLabelEncoder:
def __init__(self,columns = None):
self.columns = columns # array of column names to encode
def fit(self,X,y=None):
return self # not relevant here
def transform(self,X):
'''
Transforms columns of X specified in self.columns using
LabelEncoder(). If no columns specified, transforms all
columns in X.
'''
output = X.copy()
if self.columns is not None:
for col in self.columns:
output[col] = LabelEncoder().fit_transform(output[col])
else:
for colname,col in output.iteritems():
output[colname] = LabelEncoder().fit_transform(col)
return output
def fit_transform(self,X,y=None):
return self.fit(X,y).transform(X)
num_attributes = ["a", "b", "c"]
num_attributes = list(df_num_median)
str_attributes = list(df_str_only)
from sklearn.pipeline import Pipeline
from sklearn.preprocessing import StandardScaler
num_pipeline = Pipeline([
('selector', DataFrameSelector(num_attributes)), # transforming the Pandas DataFrame into a NumPy array
('imputer', Imputer(strategy="median")), # replacing missing values with the median
('std_scalar', StandardScaler()), # scaling the features using standardization (subtract mean value, divide by variance)
])
from sklearn.preprocessing import LabelEncoder
str_pipeline = Pipeline([
('selector', DataFrameSelector(str_attributes)), # transforming the Pandas DataFrame into a NumPy array
('encoding', MultiColumnLabelEncoder(str_attributes))
])
from sklearn.pipeline import FeatureUnion
full_pipeline = FeatureUnion(transformer_list=[
("num_pipeline", num_pipeline),
#("str_pipeline", str_pipeline) # replaced by line below
("str_pipeline", MultiColumnLabelEncoder(str_attributes))
])
df_prepared = full_pipeline.fit_transform(df_combined)
Часть конвейера num_pipeline работает просто отлично.В части str_pipeline я получаю ошибку
IndexError: только целые числа, срезы (:
), многоточие (...
), numpy.newaxis (None
) и целые или логические массивыдопустимые индексы
Этого не произойдет, если я закомментирую MultiColumnLabelEncoder в str_pipeline.Я также создал некоторый код для применения MultiColumnLabelEncoder к набору данных без конвейера, и он работает просто отлично.Есть идеи?В качестве дополнительного шага мне потребуется создать два отдельных конвейера для строк и строк даты.
РЕДАКТИРОВАТЬ: добавлен класс DataFrameSelector