我正在使用ColumnTransformer
进行非常简单的实验,其目的是转换列数组,[a"]在此示例中:
from sklearn.feature_extraction.text import TfidfVectorizer
from sklearn.compose import ColumnTransformer
dataset = pd.DataFrame({"a":["word gone wild","gone with wind"],"c":[1,2]})
tfidf = TfidfVectorizer(min_df=0)
clmn = ColumnTransformer([("tfidf", tfidf, ["a"])],remainder="passthrough")
clmn.fit_transform(dataset)
给我:
ValueError: empty vocabulary; perhaps the documents only contain stop words
显然,TfidfVectorizer
可以自己进行fit_transform()
:
tfidf.fit_transform(dataset.a)
<2x5 sparse matrix of type '<class 'numpy.float64'>'
with 6 stored elements in Compressed Sparse Row format>
这样的原因可能是什么原因以及如何纠正?
这是因为您在ColumnTransformer
中提供["a"]
而不是"a"
。根据文档:
应使用标量字符串或int在变压器期望x为1D数组(向量)的地方,否则将传递给变压器2D数组。
现在, TfidfVectorizer
需要一个单元的迭代器进行输入(因此是1-d的字符串阵列)。但是,由于您在ColumnTransformer
中发送了列名的列表(即使该列表仅包含一个列),它将是将传递给TfidfVectorizer
的2-D数组。因此错误。
将其更改为:
clmn = ColumnTransformer([("tfidf", tfidf, "a")],
remainder="passthrough")
为了获得更多的理解,请尝试使用上述内容从PANDAS数据框架中选择数据。当您执行时,检查返回数据的格式(dtype,形状):
dataset['a']
vs
dataset[['a']]
update :@sergeybushmanov,关于您对其他答案的评论,我认为您正在误解文档。如果要在两列上进行TFIDF,则需要通过两个变压器。这样的东西:
tfidf_1 = TfidfVectorizer(min_df=0)
tfidf_2 = TfidfVectorizer(min_df=0)
clmn = ColumnTransformer([("tfidf_1", tfidf_1, "a"),
("tfidf_2", tfidf_2, "b")
],
remainder="passthrough")
我们可以创建一个自定义的TFIDF变压器,该变压器可以采用一系列列,然后在应用.fit()
或.transform()
之前加入它们。
尝试这个!
from sklearn.base import BaseEstimator,TransformerMixin
class custom_tfidf(BaseEstimator,TransformerMixin):
def __init__(self,tfidf):
self.tfidf = tfidf
def fit(self, X, y=None):
joined_X = X.apply(lambda x: ' '.join(x), axis=1)
self.tfidf.fit(joined_X)
return self
def transform(self, X):
joined_X = X.apply(lambda x: ' '.join(x), axis=1)
return self.tfidf.transform(joined_X)
import pandas as pd
from sklearn.feature_extraction.text import TfidfVectorizer
from sklearn.compose import ColumnTransformer
dataset = pd.DataFrame({"a":["word gone wild","word gone with wind"],
"b":[" gone fhgf wild","gone with wind"],
"c":[1,2]})
tfidf = TfidfVectorizer(min_df=0)
clmn = ColumnTransformer([("tfidf", custom_tfidf(tfidf), ['a','b'])],remainder="passthrough")
clmn.fit_transform(dataset)
#
array([[0.36439074, 0.51853403, 0.72878149, 0. , 0. ,
0.25926702, 1. ],
[0. , 0.438501 , 0. , 0.61629785, 0.61629785,
0.2192505 , 2. ]])
P.S。:可能是您可能要为每列创建一个tfidf vectorizer,然后创建一个用键为列名和值作为拟合vectorizer的字典。该词典可以在相应列的转换过程中使用