基于Pandas进行初步数据探索和准备的Scikit-Learn用户方案

Scikit-Learn发布0.20预览版，Scikit-Learn与Pandas的新融合会使以往的工作流程更为简单，其功能也更为丰富、更具鲁棒性。

Scikit-Learn的0.20版本，将会是进行近年来最重磅的升级。

对于许多数据科学家来说，一个典型的工作流程是在Scikit-Learn进行机器学习之前，用Pandas进行探索性的数据分析。新版本的Scikit-Learn将会让这个过程变得更加简单、功能更加丰富、更鲁棒以及更加标准化。

注：本文中的0.20版本的是指预览版，最终版本目前还没有发布。

升级到0.20版本

几日前，官方刚刚发布这个0.20的预览版。用户可以通过conda命令进行安装：

conda install scikit-learn=0.20rc1 -c conda-forge/label/rc -c conda-forge

也可以通过pip命令进行安装：

pip install — pre scikit-learn

ColumnTransformer、升级版OneHotEncoder介绍

随着0.20版本的升级，从Pandas到Scikit-Learn的许多工作流会变得比较相似。ColumnTransformer估计器会将一个转换应用到Pandas DataFrame(或数组)列的特定子集。

OneHotEncoder估计器不是“新生物”，但已经升级为编码字符串列。以前，它只对包含数字分类数据的列进行编码。

接下来，让我们看看这些新添加的功能是如何处理Pandas DataFrame中的字符串列的。

Kaggle住房数据集

Kaggle最早的机器学习竞赛题目之一是《住房价格：先进的回归技术》。其目标是在给定80个特征情况下，预测房价。

数据一览

在DataFrame中读取数据并输出前几行。

>>> import pandas as pd>>> import numpy as np>>> train = pd.read_csv(‘data/housing/train.csv’)>>> train.head()

>>> train.shape(1460, 81)

从训练集中删除目标变量

目标变量是SalePrice，我们将它作为数组移除并分配给它自己的变量。我们将在后面的机器学习中用到它。

>>> y = train.pop('SalePrice').values

编码单个字符串列

首先，我们编码一个字符串列HoustStyle，它具有房子外观的值。让我们输出每个字符串值的唯一计数。

>>> vc = train['HouseStyle'].value_counts()>>> vc1Story    7262Story    4451.5Fin    154SLvl       65SFoyer     371.5Unf     142.5Unf     112.5Fin      8Name: HouseStyle, dtype: int64

这一列中有8个唯一值（unique value）。

scikitlearn Gotcha必须有2D数据

大多数Scikit-Learn估计器严格要求数据是的2D的。从技术角度讲，如果我们选择上面的列作为train[“HouseStyle”]，Pandas Series是数据的单一维度。我们可以强制Pandas创建一个单列DataFrame，方法是将一个单项列表传递到方括号中，如下所示:

>>> hs_train = train[['HouseStyle']].copy()>>> hs_train.ndim2

评估器的三个步骤过程——导入、实例化、匹配

Scikit-Learn API对于所有的估计器都是一致的，它根据下面三个步骤来匹配(训练)数据。

从它所在的模块中导入我们想要的估计器

实例化估计器，可能改变它的默认值

根据数据拟合估计量。在必要情况下，可以将数据转换到新的空间。

下面，我们导入一个hotencoder，将它实例化，并确保返回一个密集(而不是稀疏)的数组，然后用fit_transform方法对单个列进行编码。

>>> from sklearn.preprocessing import OneHotEncoder>>> ohe = OneHotEncoder(sparse=False)>>> hs_train_transformed = ohe.fit_transform(hs_train)>>> hs_train_transformedarray([[0., 0., 0., ..., 1., 0., 0.],       [0., 0., 1., ..., 0., 0., 0.],       [0., 0., 0., ..., 1., 0., 0.],       ...,       [0., 0., 0., ..., 1., 0., 0.],       [0., 0., 1., ..., 0., 0., 0.],       [0., 0., 1., ..., 0., 0., 0.]])

正如预期的那样，它将每个唯一的值编码为自己的二进制列。

>>> hs_train_transformed.shape(1460, 8)

得到了NumPy数组，那么列名在哪里?

注意，我们的输出是一个NumPy数组，而不是Pandas DataFrame。Scikit-Learn最初不是为了直接与Pandas整合而建的。所有的Pandas对象都在内部转换成NumPy数组，并且在转换后总是返回NumPy数组。

我们仍然可以通过其get_feature_names方法从OneHotEncoder对象获得列名。

>>> feature_names = ohe.get_feature_names()>>> feature_namesarray(['x0_1.5Fin', 'x0_1.5Unf', 'x0_1Story', 'x0_2.5Fin',        'x0_2.5Unf', 'x0_2Story', 'x0_SFoyer', 'x0_SLvl'],  dtype=object)

验证第一行数据的正确性

接下来让我们验证估计值是否正确。首先是第一行编码的数据。

>>> row0 = hs_train_transformed[0]>>> row0array([0., 0., 0., 0., 0., 1., 0., 0.])

这将数组中的第6个值编码为1。让我们使用布尔索引（boolean index）来显示特征名称。

>>> feature_names[row0 == 1]array(['x0_2Story'], dtype=object)

现在，让我们验证原始DataFrame列中的第一个值是否相同。

>>> hs_train.values[0]array(['2Story'], dtype=object)

使用inverse_transform来实现自动化

与大多数transformer对象一样，有一个inverse_transform方法可以返回原始数据。在这里，我们必须将row0包装在一个列表中，使其成为一个2D数组。

>>> ohe.inverse_transform([row0])array([['2Story']], dtype=object)

我们可以通过转置整个转换后的数组来验证所有的值。

>>> hs_inv = ohe.inverse_transform(hs_train_transformed)>>> hs_invarray([['2Story'],       ['1Story'],       ['2Story'],       ...,       ['2Story'],       ['1Story'],       ['1Story']], dtype=object)>>> np.array_equal(hs_inv, hs_train.values)True

将转换应用到测试集中

无论我们对训练集做什么转换，我们都必须应用到测试集。

>>> test = pd.read_csv('data/housing/test.csv')>>> hs_test = test[['HouseStyle']].copy()>>> hs_test_transformed = ohe.transform(hs_test)>>> hs_test_transformedarray([[0., 0., 1., ..., 0., 0., 0.],       [0., 0., 1., ..., 0., 0., 0.],       [0., 0., 0., ..., 1., 0., 0.],       ...,       [0., 0., 1., ..., 0., 0., 0.],       [0., 0., 0., ..., 0., 1., 0.],       [0., 0., 0., ..., 1., 0., 0.]])

我们又得到了8列。

>>> hs_test_transformed.shape(1459, 8)

必须impute缺失数据

现在，我们必须impute缺失数据。预处理模块中旧的Imputer已经被弃用。一个新的模块——impute，由一个新的估计值SimpleImputer和一个新的策略“常量”组成。默认情况下，此策略将用字符串“missing_value”来填充缺失值。我们可以选择使用fill_value参数设置它。

>>> hs_train = train[['HouseStyle']].copy()>>> hs_train.iloc[0, 0] = np.nan>>> from sklearn.impute import SimpleImputer>>> si = SimpleImputer(strategy='constant', fill_value='MISSING')>>> hs_train_imputed = si.fit_transform(hs_train)>>> hs_train_imputedarray([['MISSING'],       ['1Story'],       ['2Story'],       ...,       ['2Story'],       ['1Story'],       ['1Story']], dtype=object)

接下来，我们可以像以前那样编码啦！

>>> hs_train_transformed = ohe.fit_transform(hs_train_imputed)>>> hs_train_transformedarray([[0., 0., 0., ..., 1., 0., 0.],       [0., 0., 1., ..., 0., 0., 0.],       [0., 0., 0., ..., 0., 0., 0.],       ...,       [0., 0., 0., ..., 0., 0., 0.],       [0., 0., 1., ..., 0., 0., 0.],       [0., 0., 1., ..., 0., 0., 0.]])

注意，我们现在有了一个额外的列和一个额外的特征名称。

>>> hs_train_transformed.shape(1460, 9)>>> ohe.get_feature_names()array(['x0_1.5Fin', 'x0_1.5Unf', 'x0_1Story', 'x0_2.5Fin',       'x0_2.5Unf', 'x0_2Story', 'x0_MISSING', 'x0_SFoyer',        'x0_SLvl'], dtype=object)

更多关于fit_transform的细节

对于所有的估计器，fit_transform方法将首先调用fit方法，然后调用transform方法。fit方法找到转换过程中使用的关键属性。例如，对于SimpleImputer，如果策略是“均值”，那么它就会在fit方法中找到每一列的均值。它会存储每一列的均值。当调用transform时，它使用每个列的这个存储平均值来填充缺失值并返回转换后的数组。

OneHotEncoder原理是类似的。在fit方法中，它会找到每个列的所有唯一值，并再次存储这些值。在调用transform时，它使用这些存储的惟一值来生成二进制数组。

将两个转换应用到测试集

我们可以手动应用上面的两个步骤，如下所示:

>>> hs_test = test[['HouseStyle']].copy()>>> hs_test.iloc[0, 0] = 'unique value to test set'>>> hs_test.iloc[1, 0] = np.nan>>> hs_test_imputed = si.transform(hs_test)>>> hs_test_transformed = ohe.transform(hs_test_imputed)>>> hs_test_transformed.shape(1459, 8)>>> ohe.get_feature_names()array(['x0_1.5Fin', 'x0_1.5Unf', 'x0_1Story', 'x0_2.5Fin',        'x0_2.5Unf', 'x0_2Story', 'x0_SFoyer', 'x0_SLvl'],        dtype=object)

使用一个Pipeline来替代

Scikit-Learn提供了一个Pipeline估计器，它获取一个转换列表并依次应用它们。您还可以运行机器学习模型作为最终评估器。在这里，我们只是简单地impute和编码。

>>> from sklearn.pipeline import Pipeline

每个步骤是一个two-item元组，由一个标记步骤和实例化估计器的字符串组成。前一个步骤的输出是后一个步骤的输入。

>>> si_step = ('si', SimpleImputer(strategy='constant',                fill_value='MISSING'))>>> ohe_step = ('ohe', OneHotEncoder(sparse=False,                handle_unknown='ignore'))>>> steps = [si_step, ohe_step]>>> pipe = Pipeline(steps)>>> hs_train = train[['HouseStyle']].copy()>>> hs_train.iloc[0, 0] = np.nan>>> hs_transformed = pipe.fit_transform(hs_train)>>> hs_transformed.shape(1460, 9)

通过简单地将测试集传递给transform方法，可以轻松地通过Pipeline的每个步骤转换测试集。

>>> hs_test = test[['HouseStyle']].copy()>>> hs_test_transformed = pipe.transform(hs_test)>>> hs_test_transformed.shape(1459, 9)

为什么只对测试集转换方法?

在转换测试集时，重要的是只调用transform方法，而不是fit_transform。当我们在训练集中运行fit_transform时，Scikit-Learn找到了它需要的所有必要信息，以便转换包含相同列名的任何其他数据集。

多字符串列转换

对多列字符串进行编码不成问题。先选择你要编码的列，再通过同样的流程传递新的数据框架。

>>> string_cols = ['RoofMatl', 'HouseStyle']>>> string_train = train[string_cols]>>> string_train.head(3)RoofMatl HouseStyle0  CompShg     2Story1  CompShg     1Story2  CompShg     2Story>>> string_train_transformed = pipe.fit_transform(string_train)>>> string_train_transformed.shape(1460, 16)

把握pipeline的每个部分

我们可以通过named_steps字典属性中的名称检索pipeline中的每个转换器。在本例中，我们可以得到一个热门编码器，用来输出特征名称。

>>> ohe = pipe.named_steps['ohe']>>> ohe.get_feature_names()array(['x0_ClyTile', 'x0_CompShg', 'x0_Membran', 'x0_Metal',        'x0_Roll', 'x0_Tar&Grv', 'x0_WdShake', 'x0_WdShngl',       'x1_1.5Fin', 'x1_1.5Unf', 'x1_1Story', 'x1_2.5Fin',        'x1_2.5Unf', 'x1_2Story', 'x1_SFoyer', 'x1_SLvl'],         dtype=object)

使用新的列转换器来选择列

全新的列转换器（属于新组合模块的一部分）可以让用户选择要让哪些列获得哪些转换。 与连续列相比，分类列几乎总是需要单独的转换。

列转换器目前是还是实验性的，其功能将来可能会发生变化。

ColumnTransformer获取三项元组（tuple）的列表。 元组中的第一个值其标记作用的名称，第二个是实例化的估算器，第三个是要进行转换的列的列表。 元组如下所示：

('name', SomeTransformer(parameters), columns)

这里的列实际上不必一定是列名。用户可以使用列的整数索引，布尔数组，甚至函数（它可以使用整个DataFrame作为参数，并且必须返回选择的列）。

用户也可以将NumPy数组与列转换器一起使用，但本教程主要关注Pandas的集成，因此我们这里继续使用DataFrames。

将pipeline传递给列转换器

我们甚至可以将多个转换的流程传递给列转换器，我们现在正是要这样做，因为在字符串列上有多个转换。

下面，我们使用列转换器重现上述流程和编码。 请注意，实际流程与上面的流程完全相同，只是附加了每个变量名称的cat。 我们将在下一章节中为数字列添加不同的流程。

>>> from sklearn.compose import ColumnTransformer>>> cat_si_step = ('si', SimpleImputer(strategy='constant',                   fill_value='MISSING'))>>> cat_ohe_step = ('ohe', OneHotEncoder(sparse=False,                    handle_unknown='ignore'))>>> cat_steps = [cat_si_step, cat_ohe_step]>>> cat_pipe = Pipeline(cat_steps)>>> cat_cols = ['RoofMatl', 'HouseStyle']>>> cat_transformers = [('cat', cat_pipe, cat_cols)]>>> ct = ColumnTransformer(transformers=cat_transformers)

将整个DataFrame传递给列转换器

列转换器实例可以选择我们想要使用的列，因此我们只需将整个DataFrame传递给fit_transform方法，就可以选择我们所需的列。

>>> X_cat_transformed = ct.fit_transform(train)>>> X_cat_transformed.shape(1460, 16)

然后可以使用同样的方法转换测试集。

>>> X_cat_transformed_test = ct.transform(test)>>> X_cat_transformed_test.shape(1459, 16)

检索特征名

我们必须进一步挖掘，来获取特征名。所有的转换器都存储在named_transformers_ dictionary属性中。 然后使用特征名、含有三项要素的元组中的第一项，来选择特定的转换器。 下面的代码就是选择转换器（此例中只有一个流程，名为cat）。

>>> pl = ct.named_transformers_['cat']

然后从这个流程中选择一个热编码器对象，最后得到特征名。

>>> ohe = pl.named_steps['ohe']>>> ohe.get_feature_names()array(['x0_ClyTile', 'x0_CompShg', 'x0_Membran', 'x0_Metal',        'x0_Roll','x0_Tar&Grv', 'x0_WdShake', 'x0_WdShngl',        'x1_1.5Fin', 'x1_1.5Unf', 'x1_1Story', 'x1_2.5Fin',        'x1_2.5Unf', 'x1_2Story', 'x1_SFoyer', 'x1_SLvl'],         dtype=object)

转换数字列

数字列需要一组不同的转换。我们不使用常亮来填充缺失值，而是经常选择中值或均值。一般不对列中的值进行编码，而是通常将列中的值减去每列的平均值并除以标准差，对列中的值进行标准化。这有助于让许多模型产生更好的拟合结果（比如脊回归）。

使用所有数字列

我们可以选择所有数字列，而不是像处理字符串列一样，手动选择一列或两列。首先使用dtypes属性查找每列的数据类型，然后测试每个dtype的类型是否为“O”。 dtypes属性会返回一系列NumPy dtype对象，每个对象都有一个单一字符的kind属性。我们可以利用它来查找数字或字符串列。 Pandas将其所有字符串列存储为kind属性等于“O”的对象。有关kind属性的更多信息，请参阅NumPy文档。

>>> train.dtypes.head()Id               int64MSSubClass       int64MSZoning        objectLotFrontage    float64LotArea          int64dtype: object

获取kind属性，该属性是表示dtype的单字字符串。

>>> kinds = np.array([dt.kind for dt in train.dtypes])>>> kinds[:5]array(['i', 'i', 'O', 'f', 'i'], dtype='

假设所有的数字列都是非对象性的。我们可以使用同样的方法来获取类别列。

>>> all_columns = train.columns.values>>> is_num = kinds != 'O'>>> num_cols = all_columns[is_num]>>> num_cols[:5]array(['Id', 'MSSubClass', 'LotFrontage', 'LotArea', 'OverallQual'],      dtype=object)>>> cat_cols = all_columns[~is_num]>>> cat_cols[:5]array(['MSZoning', 'Street', 'Alley', 'LotShape', 'LandContour'],      dtype=object)

获取数字列列名之后，可以再次使用列转换器。

>>> from sklearn.preprocessing import StandardScaler>>> num_si_step = ('si', SimpleImputer(strategy='median'))>>> num_ss_step = ('ss', StandardScaler())>>> num_steps = [num_si_step, num_ss_step]>>> num_pipe = Pipeline(num_steps)>>> num_transformers = [('num', num_pipe, num_cols)]>>> ct = ColumnTransformer(transformers=num_transformers)>>> X_num_transformed = ct.fit_transform(train)>>> X_num_transformed.shape(1460, 37)

类别列和数字列转换的结合

我们可以使用类转换器对DataFrame的每个部分进行单独转换。在本文的示例中，我们将使用每一列。

然后，将类别列和数字列分别创建单独的流程，然后使用列转换器进行独立转换。这两个转换过程是并行的。最后，将每个转换结果连接在一起。

>>> transformers = [('cat', cat_pipe, cat_cols),                    ('num', num_pipe, num_cols)]>>> ct = ColumnTransformer(transformers=transformers)>>> X = ct.fit_transform(train)>>> X.shape(1460, 305)

机器学习

本文的重点就是设置数据，以便进行机器学习。我们可以创建一个最终流程，并添加机器学习模型作为最终的估算器。这个流程的第一步就是我们上文刚刚完成的整个转换过程。我们在本文开始处设定y表示售价。在这里，我们将使用thefit方法，而不是fit_transform方法，因为流程的最后一步是机器学习模型，而且不进行转换。

>>> from sklearn.linear_model import Ridge>>> ml_pipe = Pipeline([('transform', ct), ('ridge', Ridge())])>>> ml_pipe.fit(train, y)

我们可以用score方法来评估模型，它将返回一个R-Squared值：

>>> ml_pipe.score(train, y)0.92205

交叉验证

当然，在训练集上进行自我评分是没有用的。我们需要做一些K重交叉验证，以了解如何处理不可见的数据。这里我们设置一个随机状态，以便在整个教程的其余各部分保持同样的状态。

>>> from sklearn.model_selection import KFold, cross_val_score>>> kf = KFold(n_splits=5, shuffle=True, random_state=123)>>> cross_val_score(ml_pipe, train, y, cv=kf).mean()0.813

在网格搜索时选择参数

在Scikit-Learn中进行网格搜索，要求我们将映射传递至到可能值的参数名称字典中。 在流程中，我们必须将步骤的名称加上双下划线，然后使用参数名。 如果流程中有多个层级，必须继续使用双下划线，向上移动一级，直至到达我们想要优化其参数的估算器为止。

>>> from sklearn.model_selection import GridSearchCV>>> param_grid = {    'transform__num__si__strategy': ['mean', 'median'],    'ridge__alpha': [.001, 0.1, 1.0, 5, 10, 50, 100, 1000],    }>>> gs = GridSearchCV(ml_pipe, param_grid, cv=kf)>>> gs.fit(train, y)>>> gs.best_params_{'ridge__alpha': 10, 'transform__num__si__strategy': 'median'}>>> gs.best_score_0.819

在Pandas DataFrame中获取所有网格搜索结果

网格搜索的所有结果都存储在cv_results_属性中。 这是一个字典，可以转换为Pandas DataFrame以获得更好的显示效果，该属性使用一种更容易进行手动扫描的结构。

>>> pd.DataFrame(gs.cv_results_)

参数网格中每一种组合中都包含大量数据

构建一个具备全部基础功能的自定义转换器

在上述工作流程中存在一些限制。例如，如果热编码器允许在使用fit方法期间忽略缺失值，那就更好了，那就可以简单地将缺失值编码为全零行。而目前，它还要强制用户用一些字符串去填充缺失值，然后将此字符串编码为单独的列。

低频字符串

此外，在训练集中仅出现几次的字符串列，可能不是测试集中的可靠预测变量。我们可能希望将它们编码为缺失值。

编写自己的估算器类

Scikit-Learn可以帮助用户编写自己的估算器类。基本模块中的BaseEstimator类可以提供get_params和set_params方法。当进行网格搜索时，set_params方法是必需的。用户可以自己编写，也可以用BaseEstimator。还有一个TransformerMixin，但只是为用户编写fit_transform方法。

以下代码构建的类基本转换器可执行以下操作：

•使用数字列的均值或中位数填充缺失值

•对所有数字列进行标准化

•对字符串列使用一个热编码

•不用再填充类别列中的缺失值，而是直接将其编码为0

•忽略测试集中字符串列中的少数独特值

•允许您为字符串列中值必须具有的出现次数选择阈值。低于此阈值的字符串将被编码为全0

•仅适用于DataFrames，并且只是实验性的，未经过测试，因此可能会破坏某些数据集。

•之所以称其为“基本”转换器，是因为对许多数据集而言，这些操作属于最基本的转换。

from sklearn.base import BaseEstimatorclass BasicTransformer(BaseEstimator):    def __init__(self, cat_threshold=None, num_strategy='median',                 return_df=False):        # store parameters as public attributes        self.cat_threshold = cat_threshold        if num_strategy not in ['mean', 'median']:            raise ValueError('num_strategy must be either "mean" or                               "median"')        self.num_strategy = num_strategy        self.return_df = return_df    def fit(self, X, y=None):        # Assumes X is a DataFrame        self._columns = X.columns.values        # Split data into categorical and numeric        self._dtypes = X.dtypes.values        self._kinds = np.array([dt.kind for dt in X.dtypes])        self._column_dtypes = {}        is_cat = self._kinds == 'O'        self._column_dtypes['cat'] = self._columns[is_cat]        self._column_dtypes['num'] = self._columns[~is_cat]        self._feature_names = self._column_dtypes['num']        # Create a dictionary mapping categorical column to unique         # values above threshold        self._cat_cols = {}        for col in self._column_dtypes['cat']:            vc = X[col].value_counts()            if self.cat_threshold is not None:                vc = vc[vc > self.cat_threshold]            vals = vc.index.values            self._cat_cols[col] = vals            self._feature_names = np.append(self._feature_names, col                                             + '_' + vals)        # get total number of new categorical columns            self._total_cat_cols = sum([len(v) for col, v in                                     self._cat_cols.items()])        # get mean or median        num_cols = self._column_dtypes['num']        self._num_fill = X[num_cols].agg(self.num_strategy)        return self    def transform(self, X):        # check that we have a DataFrame with same column names as         # the one we fit        if set(self._columns) != set(X.columns):            raise ValueError('Passed DataFrame has different columns                               than fit DataFrame')        elif len(self._columns) != len(X.columns):            raise ValueError('Passed DataFrame has different number                               of columns than fit DataFrame')        # fill missing values        num_cols = self._column_dtypes['num']        X_num = X[num_cols].fillna(self._num_fill)        # Standardize numerics        std = X_num.std()        X_num = (X_num - X_num.mean()) / std        zero_std = np.where(std == 0)[0]        # If there is 0 standard deviation, then all values are the         # same. Set them to 0.        if len(zero_std) > 0:            X_num.iloc[:, zero_std] = 0        X_num = X_num.values        # create separate array for new encoded categoricals        X_cat = np.empty((len(X), self._total_cat_cols),                          dtype='int')        i = 0        for col in self._column_dtypes['cat']:            vals = self._cat_cols[col]            for val in vals:                X_cat[:, i] = X[col] == val                i += 1        # concatenate transformed numeric and categorical arrays        data = np.column_stack((X_num, X_cat))        # return either a DataFrame or an array        if self.return_df:            return pd.DataFrame(data=data,                                 columns=self._feature_names)        else:            return data    def fit_transform(self, X, y=None):        return self.fit(X).transform(X)    def get_feature_names():        return self._feature_names

使用基础转换器

上面构建的基础转换器估算器应该可以像任何其他scikit-learn估算器一样使用。我们可以将其实例化，然后转换数据。

>>> bt = BasicTransformer(cat_threshold=3, return_df=True)>>> train_transformed = bt.fit_transform(train)>>> train_transformed.head(3)

DataFrame中数字列和类别列相交处的列

在pipeline中使用转换器

上文构建的转换器可以作为流程的一部分。

>>> basic_pipe = Pipeline([('bt', bt), ('ridge', Ridge())])>>> basic_pipe.fit(train, y)>>> basic_pipe.score(train, y)0.904

用户也可以使用它进行交叉验证，获得与上面的scikit-learn列转换器流程相似的分数。

>>> cross_val_score(basic_pipe, train, y, cv=kf).mean()0.816

我们也可以将其用作网格搜索的一部分。事实证明，将低频字符串排除在外，并没有明显改善模型的表现，尽管它可以在其他模型中使用。不过，在最佳评分方面确实有所提高，这可能是由于使用了略微不同的编码方案。

>>> param_grid = {        'bt__cat_threshold': [0, 1, 2, 3, 5],        'ridge__alpha': [.1, 1, 10, 100]    }>>> gs = GridSearchCV(p, param_grid, cv=kf)>>> gs.fit(train, y)>>> gs.best_params_{'bt__cat_threshold': 0, 'ridge__alpha': 10}>>> gs.best_score_0.830

使用新的KBinsDiscretizer对数字列进行分装（bin）和编码

对于包含年份的一些数字列，将其中的值视为类别列更有意义。 Scikit-Learn推出了新的估算器KBinsDiscretizer来实现这一点。它不仅可以存储值，还可以对这些值进行编码。在使用Pandas cut或qcut函数手动完成此这类操作之前，一起来看看它如何处理年份数字列的。

>>> from sklearn.preprocessing import KBinsDiscretizer>>> kbd = KBinsDiscretizer(encode='onehot-dense')>>> year_built_transformed = kbd.fit_transform(train[['YearBuilt']])>>> year_built_transformedarray([[0., 0., 0., 0., 1.],       [0., 0., 1., 0., 0.],       [0., 0., 0., 1., 0.],       ...,       [1., 0., 0., 0., 0.],       [0., 1., 0., 0., 0.],       [0., 0., 1., 0., 0.]])

在默认设置下，每个bin中都包括相等数量的观察数据。下面对每列求和来验证这一点。

>>> year_built_transformed.sum(axis=0)array([292., 274., 307., 266., 321.])

这就是“分位数策略”，用户可以选择“统一”模式，为bin边界划定相等的空间，也可以选择“k平均”聚类，自定义bin边界。

>>> kbd.bin_edges_array([array([1872. , 1947.8, 1965. , 1984. , 2003. , 2010. ])],      dtype=object)

使用列转换器分别处理所有年份列

现在有一个需要单独处理的列子集，我们可以使用列转换器来执行此操作。下面的代码为我们之前的转换添加了一个步骤。此外还删除了标识列，只标识出每一行。

>>> year_cols = ['YearBuilt', 'YearRemodAdd', 'GarageYrBlt',                  'YrSold']>>> not_year = ~np.isin(num_cols, year_cols + ['Id'])>>> num_cols2 = num_cols[not_year]>>> year_si_step = ('si', SimpleImputer(strategy='median'))>>> year_kbd_step = ('kbd', KBinsDiscretizer(n_bins=5,                      encode='onehot-dense'))>>> year_steps = [year_si_step, year_kbd_step]>>> year_pipe = Pipeline(year_steps)>>> transformers = [('cat', cat_pipe, cat_cols),                    ('num', num_pipe, num_cols2),                    ('year', year_pipe, year_cols)]>>> ct = ColumnTransformer(transformers=transformers)>>> X = ct.fit_transform(train)>>> X.shape(1460, 320)

通过交叉验证和评分，发现所有这些处理都没有带来任何改进。

>>> ml_pipe = Pipeline([('transform', ct), ('ridge', Ridge())])>>> cross_val_score(ml_pipe, train, y, cv=kf).mean()0.813

为每列使用不同数量的bin可能会改善我们的结果。尽管如此，KBinsDiscretizer还可以轻松地对数字变量进行分装。

标题：Scikit-Learn 0.20的更多亮点

本次即将发布的版本附带了更多新功能。更多详细信息，请查看文档的“新增内容”部分。有很多变化哦。

结论

本文介绍了一个新的工作流程，提供了一个基于Pandas进行初步数据探索和准备的Scikit-Learn用户方案。现在，改进型的新估算器ColumnTransformer，SimpleImputer，OneHotEncoder和KBinsDiscretizer，让整个数据处理流程变得更加平滑，功能也更加丰富。用户可以获取Pandas DataFrame，并对其进行转换，为机器学习做好准备。