SklearnTransformerWrapper#
- class feature_engine.wrappers.SklearnTransformerWrapper(transformer, variables=None)[源代码][源代码]#
用于将 Scikit-learn 转换器应用于选定变量组的包装器。它支持以下转换器：
二值化器和KBins离散器（仅在编码=Ordinal时）
FunctionTransformer, PowerTransformer 和 QuantileTransformer
SimpleImputer、IterativeImputer 和 KNNImputer（仅当 add_indicators=False 时）
OrdinalEncoder 和 OneHotEncoder（仅当 sparse 为 False 时）
MaxAbsScaler, MinMaxScaler, StandardScaler, RobustScaler, Normalizer
所有选择变换器，包括 VarianceThreshold
多项式特征
更多详情请参见 用户指南。
- 参数
- transformer: sklearn transformer
所需的 Scikit-learn 转换器。
- 变量: 列表, 默认=无
要转换的变量列表。如果为 None，包装器将为所有变压器选择所有数值类型的变量，除了 SimpleImputer、OrdinalEncoder 和 OneHotEncoder，在这种情况下，它将选择数据集中的所有变量。
- 属性
- transformer_:
拟合的 Scikit-learn 转换器。
- 变量_
将被转换的变量组。
- features_to_drop_：
将被删除的变量。仅在使用选择转换器时存在。
- feature_names_in_:
列出在
fit过程中看到的特征名称。- n_features_in_:
在拟合过程中使用的训练集中的特征数量。
注释
这个转换器提供了与 Scikit-learn 中的 ColumnTransformer 类似的功能，但它允许直接在 Pipeline 中输入转换，并返回 pandas 数据框。
示例
>>> import pandas as pd >>> from feature_engine.wrappers import SklearnTransformerWrapper >>> from sklearn.preprocessing import StandardScaler >>> X = pd.DataFrame(dict(x1 = ["a","b","c"], x2 = [1,2,3], x3 = [4,5,6])) >>> skw = SklearnTransformerWrapper(StandardScaler()) >>> skw.fit(X) >>> skw.transform(X) x1 x2 x3 0 a -1.224745 -1.224745 1 b 0.000000 0.000000 2 c 1.224745 1.224745
>>> import pandas as pd >>> from feature_engine.wrappers import SklearnTransformerWrapper >>> from sklearn.preprocessing import OneHotEncoder >>> X = pd.DataFrame(dict(x1 = ["a","b","c"], x2 = [1,2,3], x3 = [4,5,6])) >>> skw = SklearnTransformerWrapper( >>> OneHotEncoder(sparse_output = False), variables = "x1") >>> skw.fit(X) >>> skw.transform(X) x2 x3 x1_a x1_b x1_c 0 1 4 1.0 0.0 0.0 1 2 5 0.0 1.0 0.0 2 3 6 0.0 0.0 1.0
>>> import pandas as pd >>> from feature_engine.wrappers import SklearnTransformerWrapper >>> from sklearn.preprocessing import PolynomialFeatures >>> X = pd.DataFrame(dict(x1 = ["a","b","c"], x2 = [1,2,3], x3 = [4,5,6])) >>> skw = SklearnTransformerWrapper(PolynomialFeatures(include_bias = False)) >>> skw.fit(X) >>> skw.transform(X) x1 x2 x3 x2^2 x2 x3 x3^2 0 a 1.0 4.0 1.0 4.0 16.0 1 b 2.0 5.0 4.0 10.0 25.0 2 c 3.0 6.0 9.0 18.0 36.0
方法
拟合：
拟合 Scikit-learn 转换器。
fit_transform:
拟合数据，然后进行转换。
get_feature_names_out:
获取转换的输出特征名称。
get_params:
获取此估计器的参数。
设置参数:
设置此估计器的参数。
inverse_transform:
将数据转换回原始表示形式。
变换：
使用 Scikit-learn 转换器转换数据。
- fit(X, y=None)[源代码][源代码]#
将 Scikit-learn 转换器拟合到选定的变量。
- 参数
- X: Pandas DataFrame
用于拟合转换器的数据集。
- y: pandas Series, default=None
目标变量。
- fit_transform(X, y=None, **fit_params)[源代码]#
拟合数据，然后进行转换。
使用可选参数
fit_params将转换器拟合到X和y，并返回X的转换版本。- 参数
- X类似数组的形状 (n_samples, n_features)
输入样本。
- y类数组的形状 (n_samples,) 或 (n_samples, n_outputs), 默认=None
目标值（无监督变换为None）。
- **fit_参数dict
附加的拟合参数。
- 返回
- X_newndarray 数组，形状为 (n_samples, n_features_new)
转换后的数组。
- get_feature_names_out(input_features=None)[源代码][源代码]#
获取转换的输出特征名称。
- input_features: 列表, 默认=None
如果
None，则返回转换后的数据集中所有变量的名称。对于那些创建并添加新特征到数据集的转换器，如 OneHotEncoder 或 PolynomialFeatures，您可以选择传递一个包含输入特征的列表来获取新创建的变量。对于所有其他转换器，此参数将被忽略。
- 返回
- feature_names_out: 列表
功能名称。
- rtype
List..
- get_metadata_routing()[源代码]#
获取此对象的元数据路由。
请查看 用户指南 以了解路由机制的工作原理。
- 返回
- 路由MetadataRequest
一个封装了路由信息的
MetadataRequest。
- get_params(deep=True)[源代码]#
获取此估计器的参数。
- 参数
- 深度bool, 默认=True
如果为 True，将返回此估计器及其包含的作为估计器的子对象的参数。
- 返回
- 参数dict
参数名称映射到它们的值。
- inverse_transform(X)[源代码][源代码]#
将转换后的变量转换回原始值。仅针对以下 Scikit-learn 转换器实现：
PowerTransformer, QuantileTransformer, OrdinalEncoder, MaxAbsScaler, MinMaxScaler, StandardScaler, RobustScaler.
如果您希望为其他转换器实现此方法，请检查它们在 Scikit-learn 中是否具有 inverse_transform 方法，然后在我们的仓库中提出问题。
- 参数
- X: pandas 数据框，形状为 [n_samples, n_features]。
转换后的数据框。
- 返回
- X_tr: pandas 数据框，形状为 = [n_samples, n_features]。
包含原始值的数据框。
- rtype
DataFrame..