Lutando para integrar sklearn e pandas na tarefa simples do Kaggle

Estou tentando usar o módulo sklearn_pandas para estender o trabalho que faço nos pandas e mergulhar no aprendizado de máquina, mas estou com um erro que realmente não entendo como corrigir.

Eu estava trabalhando no seguinte conjunto de dados no Kaggle .

É essencialmente uma tabela sem cabeçalho (1000 linhas, 40 recursos) com valores de ponto flutuante.

import pandas as pdfrom sklearn import neighbors
from sklearn_pandas import DataFrameMapper, cross_val_score
path_train ="../kaggle/scikitlearn/train.csv"
path_labels ="../kaggle/scikitlearn/trainLabels.csv"
path_test = "../kaggle/scikitlearn/test.csv"

train = pd.read_csv(path_train, header=None)
labels = pd.read_csv(path_labels, header=None)
test = pd.read_csv(path_test, header=None)
mapper_train = DataFrameMapper([(list(train.columns),neighbors.KNeighborsClassifier(n_neighbors=3))])
mapper_train

Resultado:

DataFrameMapper(features=[([0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16, 17, 18, 19, 20, 21, 22, 23, 24, 25, 26, 27, 28, 29, 30, 31, 32, 33, 34, 35, 36, 37, 38, 39], KNeighborsClassifier(algorithm='auto', leaf_size=30, metric='minkowski',
       n_neighbors=3, p=2, weights='uniform'))])

Por enquanto, tudo bem. Mas então eu tento o ajuste

mapper_train.fit_transform(train, labels)

Resultado:

---------------------------------------------------------------------------
TypeError                                 Traceback (most recent call last)
<ipython-input-6-e3897d6db1b5> in <module>()
----> 1 mapper_train.fit_transform(train, labels)

//anaconda/lib/python2.7/site-packages/sklearn/base.pyc in fit_transform(self, X, y,     **fit_params)
    409         else:
    410             # fit method of arity 2 (supervised transformation)
--> 411             return self.fit(X, y, **fit_params).transform(X)
    412 
    413 

//anaconda/lib/python2.7/site-packages/sklearn_pandas/__init__.pyc in fit(self, X, y)
    116         for columns, transformer in self.features:
    117             if transformer is not None:
--> 118                 transformer.fit(self._get_col_subset(X, columns))
    119         return self
    120 

TypeError: fit() takes exactly 3 arguments (2 given)`

O que estou fazendo errado? Embora os dados neste caso sejam todos iguais, estou planejando criar um fluxo de trabalho para misturas de recursos de ponto categórico, nominal e de ponto flutuante e sklearn_pandas parecia um ajuste lógico.

Aqui está um exemplo de como obter pandas e aprender a jogar bem

digamos que você tenha 2 colunas que são ambas cadeias e deseja vetorizar - mas não tem idéia de quais parâmetros de vetorização resultarão no melhor desempenho a jusante.

crie o vetorizador

to_vect = Pipeline([('vect',CountVectorizer(min_df =1,max_df=.9,ngram_range=(1,2),max_features=1000)),
                    ('tfidf', TfidfTransformer())])

crie o objeto DataFrameMapper.

full_mapper = DataFrameMapper([
        ('col_name1', to_vect),
        ('col_name2',to_vect)
    ])

este é o pipeline completo

full_pipeline  = Pipeline([('mapper',full_mapper),('clf', SGDClassifier(n_iter=15, warm_start=True))])

defina os parâmetros que você deseja que a verificação considere

full_params = {'clf__alpha': [1e-2,1e-3,1e-4],
                   'clf__loss':['modified_huber','hinge'],
                   'clf__penalty':['l2','l1'],
                   'mapper__features':[[('col_name1',deepcopy(to_vect)),
                                        ('col_name2',deepcopy(to_vect))],
                                       [('col_name1',deepcopy(to_vect).set_params(vect__analyzer= 'char_wb')),
                                        ('col_name2',deepcopy(to_vect))]]}

É isso aí! - observe, no entanto, que mapper_features é um item único neste dicionário - portanto, use um loop for ou itertools.product para gerar uma lista FLAT de todas as opções to_vect que você deseja considerar - mas essa é uma tarefa separada fora do escopo da pergunta.

Continue criando o classificador ideal ou o que mais o seu pipeline terminar com

gs_clf = GridSearchCV(full_pipe, full_params, n_jobs=-1)

Eu nunca usei sklearn_pandas, mas ao ler o código-fonte, parece que isso é um bug do lado deles. Se você procurar a função que está lançando a exceção , poderá observar que elas estão descartando o yargumento (ele nem sobrevive até a sequência de caracteres), e a fitfunção interna espera mais um argumento, o que provavelmente é y:

def fit(self, X, y=None):
    '''
    Fit a transformation from the pipeline

    X       the data to fit
    '''
    for columns, transformer in self.features:
        if transformer is not None:
            transformer.fit(self._get_col_subset(X, columns))
    return self

Eu recomendo que você abra um problema no rastreador de erros .

ATUALIZAÇÃO :

Você pode testar isso se executar seu código no IPython. Para resumir, se você usar a %pdb onmágica imediatamente antes de executar a chamada problemática, a exceção será capturada pelo depurador Python, para que você possa brincar um pouco e ver se a chamada da fitfunção com os valores de rótulo y[0]funciona - veja a última linha com o pdb>prompt. (Os arquivos CSV são baixados do Kaggle, exceto o maior, que é apenas uma parte do arquivo real).

In [1]: import pandas as pd

In [2]: from sklearn import neighbors

In [3]: from sklearn_pandas import DataFrameMapper, cross_val_score

In [4]: path_train ="train.csv"

In [5]: path_labels ="trainLabels.csv"

In [6]: path_test = "test.csv"

In [7]: train = pd.read_csv(path_train, header=None)

In [8]: labels = pd.read_csv(path_labels, header=None)

In [9]: test = pd.read_csv(path_test, header=None)

In [10]: mapper_train = DataFrameMapper([(list(train.columns),neighbors.KNeighborsClassifier(n_neighbors=3))])

In [13]: %pdb on

In [14]: mapper_train.fit_transform(train, labels)
---------------------------------------------------------------------------
TypeError                                 Traceback (most recent call last)
<ipython-input-14-e3897d6db1b5> in <module>()
----> 1 mapper_train.fit_transform(train, labels)

/opt/local/Library/Frameworks/Python.framework/Versions/2.7/lib/python2.7/site-packages/sklearn/base.pyc in fit_transform(self, X, y, **fit_params)
    409         else:
    410             # fit method of arity 2 (supervised transformation)
--> 411             return self.fit(X, y, **fit_params).transform(X)
    412
    413

/opt/local/Library/Frameworks/Python.framework/Versions/2.7/lib/python2.7/site-packages/sklearn_pandas/__init__.pyc in fit(self, X, y)
    116         for columns, transformer in self.features:
    117             if transformer is not None:
--> 118                 transformer.fit(self._get_col_subset(X, columns))
    119         return self
    120

TypeError: fit() takes exactly 3 arguments (2 given)
> /opt/local/Library/Frameworks/Python.framework/Versions/2.7/lib/python2.7/site-packages/sklearn_pandas/__init__.py(118)fit()
    117             if transformer is not None:
--> 118                 transformer.fit(self._get_col_subset(X, columns))
    119         return self

ipdb> l
    113
    114         X       the data to fit
    115         '''
    116         for columns, transformer in self.features:
    117             if transformer is not None:
--> 118                 transformer.fit(self._get_col_subset(X, columns))
    119         return self
    120
    121
    122     def transform(self, X):
    123         '''
ipdb> transformer.fit(self._get_col_subset(X, columns), y[0])
KNeighborsClassifier(algorithm='auto', leaf_size=30, metric='minkowski',
           n_neighbors=3, p=2, weights='uniform')