我有一个数据帧X_train,我正在连接另一个数据帧。这个第二个和第三个数据帧是从稀疏矩阵中获得的,稀疏矩阵是由TF-IDF VEctorizer生成的
。q1_train_df = pd.DataFrame.sparse.from_spmatrix(q1_tdidf_train,index=X_train.index,columns=q1_features)
q2_train_df = pd.DataFrame.sparse.from_spmatrix(q2_tdidf_train,index=X_train.index,columns=q2_features)
X_train_final = pd.concat([X_train,q1_train_df,q2_train_df],axis=1)
X_train_final类型
如下所示
X_train_final.dtypes
cwc_min float64
cwc_max float64
csc_min float64
csc_max float64
ctc_min float64
...
q2_zealand Sparse[float64, 0.0]
q2_zero Sparse[float64, 0.0]
q2_zinc Sparse[float64, 0.0]
q2_zone Sparse[float64, 0.0]
q2_zuckerberg Sparse[float64, 0.0]
Length: 10015, dtype: object
我正在使用 XGBoost 对这个最终数据帧进行训练,这在尝试拟合数据时抛出错误
model.fit( X_train_final,y_train)
ValueError: DataFrame.dtypes for data must be int, float or bool.
Did not expect the data types in fields q1_04, q1_10, q1_100, q
我认为错误是由于其中存在的稀疏[float64,0.0]dtypes造成的。你能帮帮我吗,无法弄清楚如何摆脱这个错误?
我实际上只是遇到了同样的问题。我有一个使用 TF-IDF 矢量化器生成的列列表,我正在尝试在数据集上使用 XGBoost。
这最终对我有用:
import xgboost as xgb
train_df = train_df.apply(pd.to_numeric, errors='coerce')
train_df[tf_idf_column_names] = train_df[tf_idf_column_names].sparse.to_dense()
train_x = train_df.iloc[:,1:]
train_y = train_df.iloc[:,:1]
dtrain= xgb.DMatrix(data=train_x, label=train_y)
param = {'max_depth':2, 'eta':1, 'silent':1, 'objective':'binary:logistic'}
num_round = 2
bst = xgb.train(param, dtrain, num_round)
preds = bst.predict(dtest)
X_train_final = hstack( blocks=(x_tr_cwc_min,
x_tr_cwc_max,
x_tr_csc_min,
x_tr_csc_max,
x_tr_ctc_min,
x_tr_ctc_max,
x_tr_last_word_eq,
x_tr_first_word_eq,
x_tr_abs_len_diff,
x_tr_mean_len,
x_tr_token_set_ratio,
x_tr_token_sort_ratio,
x_tr_fuzz_ratio,
x_tr_fuzz_partial_ratio,
x_tr_longest_substr_ratio,
q1_tdidf_train,q2_tdidf_train
)
).tocsr()
在这里,我没有直接使用X_train数据帧,而是使用了单独的X_train列,并将每个列转换为 ndarray。 密集是工作,但对于我使用的数据帧,它消耗了近 3 GB 的空间!!所以不得不采用这种方法
如果df
是Sparse[float64, 0]
,你可以使用df.values
来float64
。