python - 使用 ColumnTransformer/FeatureUnion 后构建完整数据框(特征值 + 名称)的推荐方法是什么？

Question

我已经在 Internet 上多次看到这个主题，但从未见过一个完整、全面的解决方案，它可以适用于当前库版本的 sklearn 的所有用例。有人可以尝试使用以下示例解释如何实现吗？

In this example I'm using the following dataset

data = pd.read_csv('heart.csv')

# Preparing individual pipelines for numerical and categorical features
pipe_numeric = Pipeline(steps=[
    ('impute_num', SimpleImputer(
        missing_values = np.nan, 
        strategy = 'median', 
        copy = False, 
        add_indicator = True)
    )
])

pipe_categorical = Pipeline(steps=[
    ('impute_cat', SimpleImputer(
        missing_values = np.nan, 
        strategy = 'constant', 
        fill_value = 99999,
        copy = False)
    ),
    ('one_hot', OneHotEncoder(handle_unknown='ignore'))
])

# Combining them into a transformer
transformer_union = ColumnTransformer([
    ('feat_numeric', pipe_numeric, ['age']),
    ('feat_categorical', pipe_categorical, ['cp']),
], remainder = 'passthrough')

# Fitting the transformer
transformer_union.fit(data)

# We can then apply and get the data in the following way
transformer_union.transform(data)

# And it has the following shape
transformer_union.transform(data).shape

现在出现了主要问题:如何有效地将输出的 numpy 数组与所有转换产生的新列名结合起来？这个例子虽然需要相当多的工作，但仍然相对简单，但是对于更大的管道，这可能会变得更加复杂。

# Transformers object
transformers = transformer_union.named_transformers_

# Categorical features (from transformer)
transformers['feat_categorical'].named_steps['one_hot'].get_feature_names()

# Numerical features (from transformer) - no names are available? 
transformers['feat_numeric'].named_steps['impute_num']

# All the other columns that were not transformed - no names are available?
transformers['remainder']

我已经检查了各种不同的示例，但似乎没有任何 Elixir :

sklearn native 不支持这一点 - 没有办法获得可以轻松与数组组合成新 DF 的列名的对齐向量，但也许我错了 - 如果是这样的话，谁能指出我的资源?

有些人正在实现他们的自定义转换器/管道，但是当您想要构建大型管道时，这会有点忙

是否有任何其他与 sklearn 相关的软件包可以缓解该问题？

我对 sklearn 的管理方式有点惊讶 - 在 R 中的 tidymodels生态系统(它仍在开发中，但无论如何)，这很容易用 prep和 bake方法。我想它可以以某种方式类似地完成。

全面检查最终输出对于数据科学工作至关重要——有人可以就最佳路径提出建议吗？

Answer 1

sklearn 开发人员正在为此努力；讨论涵盖多个 SLEP 和许多问题。已经取得了一些进展，一些变压器正在实现 get_features_names当输入是 Pandas 数据框时，其他具有跟踪列名的内部属性。 ColumnTransformer确实有 get_feature_names , 但是 Pipeline没有，所以它会在你的例子中失败。

目前最完整的解决方案似乎是sklearn-pandas :
https://github.com/scikit-learn-contrib/sklearn-pandas

另一个有趣的方法隐藏在 eli5 中。 .在他们的explain_weights ，它们有一个通用函数 transform_feature_names .它有一些专门的调度，但除此之外尝试调用 get_feature_names ;最值得注意的是，有一个 Pipeline 的调度。 .不幸的是，目前这将在使用 Pipeline 作为转换器的 ColumnTransformer 上失败；见 https://stackoverflow.com/a/62124484/10495893举个例子和一个潜在的解决方法。