从scikit学习设计矩阵中提取功能和级别的名称

Question

有没有一种方法可以提取或计算scikit learn中设计矩阵的特性名称和级别名称？这里有一个例子：

import pandas as pd
import numpy as np
from sklearn.preprocessing import OneHotEncoder, StandardScaler
from sklearn.impute import SimpleImputer
from sklearn.compose import make_column_transformer
from sklearn.pipeline import make_pipeline
df = pd.DataFrame(
{
'a': [np.nan, 2, 3, 4],
'b': [5, 6, 7, np.nan],
'c': ['u', 'v', 'u', 'v'],
'd': [False, True, False, False],
'e': ['r', 'r', 's', 's']
}
)
scale_impute = make_pipeline(
StandardScaler(),
SimpleImputer(strategy='median', add_indicator=True)
)
transformer = make_column_transformer(
(scale_impute, ['a', 'b']),
(OneHotEncoder(), ['c', 'e']),
remainder='passthrough'
)
X = transformer.fit_transform(df)

在控制台上，我们看到：

In [7]: df                                                                                                                                                      
Out[7]: 
a    b  c      d  e
0  NaN  5.0  u  False  r
1  2.0  6.0  v   True  r
2  3.0  7.0  u  False  s
3  4.0  NaN  v  False  s
In [8]: pd.DataFrame(X)                                                                                                                                         
Out[8]: 
0         1    2    3    4    5    6    7    8
0  0.000000 -1.224745  1.0  0.0  1.0  0.0  1.0  0.0  0.0
1 -1.224745  0.000000  0.0  0.0  0.0  1.0  1.0  0.0  1.0
2  0.000000  1.224745  0.0  0.0  1.0  0.0  0.0  1.0  0.0
3  1.224745  0.000000  0.0  1.0  0.0  1.0  0.0  1.0  0.0

其中我将CCD_ 1转换为数据帧只是为了更好地打印。在这个简单的例子中，我可以弄清楚每一列是什么，但对于更复杂的场景，如果有一些方法来确定每一列对应的是什么，那就太好了。换句话说，对于设计矩阵中的给定列，它对应的是哪个功能？这是一个缺失的指标列吗？如果它对应于一个分类变量，那么该列代表哪个级别？

ColumnTransformer类确实有一个get_feature_names()方法，看起来它可以做我想做的事情，但它不适用于这个例子：

In [10]: transformer.get_feature_names()                                                                                                                        
---------------------------------------------------------------------------
AttributeError                            Traceback (most recent call last)
<ipython-input-10-20eb841d2d36> in <module>
----> 1 transformer.get_feature_names()
/opt/anaconda3/lib/python3.7/site-packages/sklearn/compose/_column_transformer.py in get_feature_names(self)
352                 raise AttributeError("Transformer %s (type %s) does not "
353                                      "provide get_feature_names."
--> 354                                      % (str(name), type(trans).__name__))
355             feature_names.extend([name + "__" + f for f in
356                                   trans.get_feature_names()])
AttributeError: Transformer pipeline (type Pipeline) does not provide get_feature_names.

我正在运行scikit learn的0.23.1版本。

我见过patsy learn软件包，它可能会起作用，但我需要在大学超级计算机上运行我的代码，如果我坚持使用与Anaconda捆绑的软件包，会更容易。

Answer 1

跟踪特性的一种方法是为管道的每一步保留DataFrames。

• 参见pd管道，它还实现了sklearn_stages

创建新功能时，例如使用One-Hot编码器时，可以很容易地跟踪每个功能的来源。即my_feature_x1、my_feature_x2。。。