python - 在训练和测试集中具有不同级别的管道中创建虚拟对象

Question

我目前正在探索 scikit 学习管道。 我还想用管道预处理数据。 但是，我的火车和测试数据具有不同级别的分类变量。 例子: 考虑:

import pandas as pd
train = pd.Series(list('abbaa'))
test = pd.Series(list('abcd'))

我用 pandas 写了一个 TransformerMixinClass

class CreateDummies(TransformerMixin):

def transform(self, X, **transformparams):
    return pd.get_dummies(X).copy()

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

fit_transform 产生 2 列训练数据和 4 列测试数据。所以这里并不奇怪，但不适合管道

同样，我尝试导入标签编码器(以及可能的后续步骤的 OneHotEncoder):

from sklearn.preprocessing import LabelEncoder, OneHotEncoder
le = LabelEncoder()
le.fit_transform(train)
le.transform(test)

毫不奇怪，这会产生一个错误。

所以这里的问题是我需要测试集中包含的一些信息。 有什么好的方法可以将其包含在管道中吗？

Answer 1

您可以按照 this answer 中的说明使用分类:

categories = np.union1d(train, test)
train = train.astype('category', categories=categories)
test = test.astype('category', categories=categories)

pd.get_dummies(train)
Out: 
   a  b  c  d
0  1  0  0  0
1  0  1  0  0
2  0  1  0  0
3  1  0  0  0
4  1  0  0  0

pd.get_dummies(test)
Out: 
   a  b  c  d
0  1  0  0  0
1  0  1  0  0
2  0  0  1  0
3  0  0  0  1