【机器学习】python机器学习scikit-learn和pandas进行Pipeline处理工作：归一化和标准化及自定义转换器(二)

数据准备：详见【机器学习】python机器学习借助scikit-learn进行数据预处理工作：缺失值填补，文本处理（一）
一、自定义转换器：

from sklearn.base import BaseEstimator, TransformerMixin
#TransformerMixin可使方法自动获得fit_transform方法
#BaseEstimator作为基类（并在构造函数中避免*args和**kargs），能额外获得两种非常有用的自动调整超参数的方法（get_params（）和set_params（））


class CombinedAttributesAdder(BaseEstimator, TransformerMixin):
    def __init__(self): # no *args or **kargs
        #fit在不保存参数情况下仅返回自己
        pass
    def fit(self, X, y=None):
        return self  
    def transform(self, X):
        X=X.values
        totallOTherRooms = X[:, 3]-X[:, 4]
        return np.c_[X, totallOTherRooms]
    
attr_adder = CombinedAttributesAdder()
housing_extra_attribs = attr_adder.transform(housing_num)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18

输出为ndarrary，可用如下代码恢复pd结构：

housing_extra_attribs = pd.DataFrame(
    housing_extra_attribs,
    columns=list(housing_num.columns)+["otherrooms"],
    index=housing_num.index)
housing_extra_attribs.head()
1
2
3
4
5

注：. values：对应的二维NumPy值数组
np.c_ 用于连接两个矩阵
np.c 中的c 是 column(列)的缩写，就是按列叠加两个矩阵，就是把两个矩阵左右组合，要求行数相等。

二、数据归一化及标准化

最小-最大缩放（又叫作归一化）很简单：将值重新缩放使其最终范围归于0～1之间。实现方法是将值减去最小值并除以最大值和最小值的差。对此，Scikit-Learn提供了一个名为MinMaxScaler的转换器。如果出于某种原因，你希望范围不是0～1，那么可以通过调整超参数feature_range进行更改。

list=[[-1, 2], [-0.5, 6], [0, 10], [1, 18]]
from sklearn.preprocessing import MinMaxScaler,StandardScaler
s=MinMaxScaler()
s.fit_transform(list)
1
2
3
4

array([[0. , 0. ],
[0.25, 0.25],
[0.5 , 0.5 ],
[1. , 1. ]])

标准化则完全不一样：首先减去平均值（所以标准化值的均值总是零），然后除以方差，从而使得结果的分布具备单位方差。不同于最小-最大缩放的是，标准化不将值绑定到特定范围，对某些算法而言，这可能是个问题（例如，神经网络期望的输入值范围通常是0～1）。但是标准化的方法受异常值的影响更小。例如，假设某个地区的平均收入为100（错误数据），最小-最大缩放会将所有其他值从0～15降到0～0.15，而标准化则不会受到很大影响。Scikit-Learn提供了一个标准化的转换器StandadScaler。

s=StandardScaler()
s.fit_transform(list)
1
2

array([[-1.18321596, -1.18321596],
[-0.50709255, -0.50709255],
[ 0.16903085, 0.16903085],
[ 1.52127766, 1.52127766]])

之后可用inverse_transform方法恢复原始数据。

三、建立自动化的流水线
Pipeline构造函数会通过一系列名称/估算器的配对来定义步骤序列。除了最后一个是估算器之外，前面都必须是转换器（也就是说，必须有fit_transform（）方法）

当调用流水线的fit（）方法时，会在所有转换器上按照顺序依次调用fit_transform（），将一个调用的输出作为参数传递给下一个调用方法，直到传递到最终的估算器，则只会调用fit（）方法。

在对一个pandframe进行数据处理时，其中文本项要转为onehot，数值项要填补缺失，有两种方案，其一为：
自定义一个pd列选择器，区分输入pd列：

from sklearn.impute import SimpleImputer
from sklearn.preprocessing import MinMaxScaler,StandardScaler,OneHotEncoder
from sklearn.base import BaseEstimator, TransformerMixin


# 选择器，位于第一个，从pandaframe中选择要处理的列并返回NUMPY
class OldDataFrameSelector(BaseEstimator, 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
1
2
3
4
5
6
7
8
9
10
11
12
13

from sklearn.pipeline import Pipeline
from sklearn.preprocessing import StandardScaler

#备注：housing_num已去除文本列
num_attribs = list(housing_num)
cat_attribs = ["ocean_proximity"]

old_num_pipeline = Pipeline([
        ('selector', OldDataFrameSelector(num_attribs)),
        ('imputer', SimpleImputer(strategy="median")),
        ('std_scaler', StandardScaler()),
    ])

old_cat_pipeline = Pipeline([
        ('selector', OldDataFrameSelector(cat_attribs)),
        ('cat_encoder', OneHotEncoder(sparse=False)),
    ])
from sklearn.pipeline import FeatureUnion

old_full_pipeline = FeatureUnion(transformer_list=[
        ("num_pipeline", old_num_pipeline),
        ("cat_pipeline", old_cat_pipeline),
    ])
#调用时输入的是原始pd:
old_housing_prepared = old_full_pipeline.fit_transform(housing)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25

其二是，在scikit0.20后的高级版本中，引入：

#去掉带文字的指定列
from sklearn.preprocessing import MinMaxScaler,StandardScaler,OneHotEncoder
housing_num = housing.drop("ocean_proximity", axis=1)

from sklearn.impute import SimpleImputer
from sklearn.preprocessing import StandardScaler
from sklearn.pipeline import Pipeline

num_pipeline = Pipeline([
        ('imputer', SimpleImputer(strategy="median")),
        ('std_scaler', StandardScaler())
    ])
    
from sklearn.compose import ColumnTransformer
#返回所有列名
num_attribs = list(housing_num)
cat_attribs = ["ocean_proximity"]

full_pipeline = ColumnTransformer([
        ("num", num_pipeline, num_attribs),
        ("cat", OneHotEncoder(), cat_attribs),
    ])

housing_prepared = full_pipeline.fit_transform(housing)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24