如何为多个数据框列创建管道？

Question

我有可以简化为此的数据框：

import pandas as pd

df = pd.DataFrame([{
'title': 'batman',
'text': 'man bat man bat', 
'url': 'batman.com', 
'label':1}, 
{'title': 'spiderman',
'text': 'spiderman man spider', 
'url': 'spiderman.com', 
'label':1},
{'title': 'doctor evil',
 'text': 'a super evil doctor', 
'url': 'evilempyre.com', 
'label':0},])

我想尝试不同的特征提取方法：TFIDF，word2vec，具有不同ngram设置的Coutvectorizer等。但是我想以不同的组合尝试：一个特征集将包含使用TFIDF转换的“文本”数据和使用Countvectoriser和second将具有通过w2v转换的文本数据，以及通过TFIDF等转换的“
url”。最后，当然，我想比较不同的预处理策略并选择最佳的。

这里是问题：

1. 有没有办法使用标准sklearn工具（例如管道）来做这些事情？

2. 我的想法有常识吗？也许有个好主意，如何处理我缺少的数据框中有很多列的文本数据？

非常感谢！

Answer 1

@elphz答案很好地介绍了如何使用FeatureUnion和FunctionTransformer完成此操作，但是我认为它可以使用更多细节。

首先，我要说的是，您需要定义FunctionTransformer函数，以便它们可以正确处理和返回输入数据。在这种情况下，我假设您只想传递DataFrame，但要确保您获得正确形状的数组以供下游使用。因此，我建议仅传递DataFrame并按列名进行访问。像这样：

def text(X):
    return X.text.values

def title(X):
    return X.title.values

pipe_text = Pipeline([('col_text', FunctionTransformer(text, validate=False))])

pipe_title = Pipeline([('col_title', FunctionTransformer(title, validate=False))])

现在，测试变压器和分类器的变体。我会建议使用一个转换器列表和一个分类器列表，并简单地对其进行迭代，就像进行网格搜索一样。

tfidf = TfidfVectorizer()
cv = CountVectorizer()
lr = LogisticRegression()
rc = RidgeClassifier()

transformers = [('tfidf', tfidf), ('cv', cv)]
clfs = [lr, rc]

best_clf = None
best_score = 0
for tran1 in transformers:
    for tran2 in transformers:
        pipe1 = Pipeline(pipe_text.steps + [tran1])
        pipe2 = Pipeline(pipe_title.steps + [tran2])
        union = FeatureUnion([('text', pipe1), ('title', pipe2)])
        X = union.fit_transform(df)
        X_train, X_test, y_train, y_test = train_test_split(X, df.label)
        for clf in clfs:
            clf.fit(X_train, y_train)
            score = clf.score(X_test, y_test)
            if score > best_score:
                best_score = score
                best_est = clf

这是一个简单的示例，但是您可以看到如何以这种方式插入各种转换和分类器。