代码之家 › 专栏 › 技术社区 › DimKoim

Sklearn课堂教学法

sklearn-pandas scikit-learn oop python-3.x

1

DimKoim · 技术社区 · 7 年前

我想创建一个使用 sklearn 转换方法。我找到这个了 article 我用它作为例子。

from sklearn import preprocessing
from sklearn.base import TransformerMixin

def minmax(dataframe):
  minmax_transformer = preprocessing.MinMaxScaler()
  return minmax_tranformer


class FunctionFeaturizer(TransformerMixin):
    def __init__(self, scaler):
        self.scaler = scaler

    def fit(self, X, y=None):
        return self

    def transform(self, X):
        fv = self.scaler(X)
        return  fv

if __name__=="__main__":
     scaling = FunctionFeaturizer(minmax)
     df = pd.DataFrame({'feature': np.arange(10)})
     df_scaled = scaling.fit(df).transform(df)
     print(df_scaled)

输出是 StandardScaler(copy=True, with_mean=True, with_std=True) 这实际上是 preprocessing.StandardScaler().fit(df) 如果我在课外使用的话。

我期望的是:

array([[0.        ],
       [0.11111111],
       [0.22222222],
       [0.33333333],
       [0.44444444],
       [0.55555556],
       [0.66666667],
       [0.77777778],
       [0.88888889],
       [1.        ]])

我感觉我在这里几乎没有什么东西,但我不知道是什么。

更新我做了一些修改:

def minmax():
    return preprocessing.MinMaxScaler()

class FunctionFeaturizer(TransformerMixin):
    def __init__(self, scaler):
        self.scaler = scaler

    def fit(self, X, y=None):
        return self

    def fit_transform(self, X):
        self.scaler.fit(X)
        return self.scaler.transform(X)

if __name__=="__main__":
    scaling = FunctionFeaturizer(minmax)
    df = pd.DataFrame({'feature': np.arange(10)})
    df_scaled = scaling.fit_transform(df)
    print(df_scaled)

但现在我收到以下错误:

Traceback (most recent call last):
  File "C:/my_file.py", line 33, in <module>
    test_scale = scaling.fit_transform(df)
  File "C:/my_file.py", line 26, in fit_transform
    self.scaler.fit(X)
AttributeError: 'function' object has no attribute 'fit'

1 回复 | 直到 7 年前

1

0

Bruno Lubascher 7 年前

解决你的错误

在你的代码中有:

if __name__=="__main__":
    scaling = FunctionFeaturizer(minmax)
    df = pd.DataFrame({'feature': np.arange(10)})
    df_scaled = scaling.fit_transform(df)
    print(df_scaled)

换行

scaling = FunctionFeaturizer(minmax)

到

scaling = FunctionFeaturizer(minmax())

您需要调用函数以获取返回给您的MinMaxScaler的实例化。

建议

而不是实施 fit 和 fit_transform ,工具 适合 和 transform 除非你能优化这两个过程 fit_tranform . 这样,你做的事情就更清楚了。

如果你只实施 适合 和 转型 ,你仍然可以打电话 拟合变换 因为你延长了 TransformerMixin 上课。它将连续调用这两个函数。

得到你期望的结果

您的转换器正在查看数据集的每一列,并在 0 和 1 .

所以,要想得到你期望的结果,这将取决于 df 看起来像。但是,你没有和我们分享,所以很难说你是否会得到它。

但是,如果你有 df = [[0],[1],[2],[3],[4],[5],[6],[7],[8],[9]] ,您将看到预期的结果。

if __name__=="__main__":
    scaling = FunctionFeaturizer(minmax())
    df = [[0], [1], [2], [3], [4], [5], [6], [7], [8], [9]]
    df_scaled = scaling.fit_transform(df)
    print(df_scaled)

> [[0.        ]
>  [0.11111111]
>  [0.22222222]
>  [0.33333333]
>  [0.44444444]
>  [0.55555556]
>  [0.66666667]
>  [0.77777778]
>  [0.88888889]
>  [1.        ]]