sklearn-pandas とは？

pandasのDataFlameからsklearnのモデルやpiplineを使う際に若干の煩わしさが残っていたが、最近はsklearn-pandasというパッケージが開発されており扱い易くなっているようだ。

このパッケージを使うと、例えば次のようなことができるようだ。
* pandasのDataFlameをそのまま入力できて、なおかつ、出力もDataFlameで取り出せる。
* 特定のコラム（特徴量）のみへの処理をsklearnのmodelと同様の形式で定義できる。
* 従来より柔軟なpipelineを作成できる。　

従来、pandasのDataFlameをsklearnの適当なmodelで学習する場合、DataFlameの特定のコラムのみを抽出し、エンコーディング、欠損補完、スケーリング等を行った後、np.arrayとして、sklearnのmodel(pipline等)に渡す必要があった。
また、sklearnのmodel.transform()や、model.predict()等で出力された予測、推論の結果はnp.arrayで出力される為、pandasのDataFlameに変換し,その他の情報と結合をする必要があった。このため解析のフローがコーディングがまとまりにくく、簡潔さが損なわれていた。
sklearn-pandasのDataFlameMapperを使えば、結果がpandasとして取得できるだけでなく、入力や出力に関する処理もsklearnのmodelと同様な定義が可能になる。

install

下記でインストール可能。

pip install sklearn-pandas

DataFlameMapperの利用例

1. dfを使いPCAして、結果をDataFlameで取得する

DataFlameMapperを使うと、read_csv等で読み込んだDataFlameは解析に用いない行はそのままで、必要なところだけ計算してくれる。もちろんモデルはPCAでなくても良い。
modelの入出力にDataFlameを使いたい場合、下記2つのオプションだけ設定すれば良い。

input_df = True
df_out = True

ここでは、もう一つのオプションとして、以下を指定うる。
* default = None
default=Noneの場合は、dfに含まれるその他の情報も保持されて、outputに出力される。
デフォルトはdafault=Falseで、この場合は明示的に指定されていないdfのコラムは除去される。他に、例えばdefault=StandardScaler()のようにメソッドを指定された場合は、明示的に指定されていないコラムはすべてStandardScaler()が適用される。
下記がサンプルになる。

import pandas as pd
from sklearn_pandas import DataFrameMapper
from sklearn.pipeline import Pipeline 

# --- sample data ------
df = pd.DataFrame({'pet':     ['cat', 'dog', 'dog', 'fish', 'cat', 'dog', 'cat', 'fish'],
                     'children': [4., 6, 3, 3, 2, 3, 5, 4],
                     'salary':   [90., 24, 44, 27, 32, 59, 36, 27]})
#
# DataFlameMapper利用例1
#
# 引数はタプルのリスト[('column名',そのcolumnに適用する各メソッド名)]で指定
# します。
#
# 'children','salary'の列（コラム）で主成分分析を行い、次元圧縮して取り出す。
#
# default=None: 処理しない列（コラム）を残す。
# 入出力をpandas DataFlameにするかどうかのオプション
# input_df=True
# df_out=True

from sklearn.decomposition import PCA
# childrenとsalaryのみにPCAをかけ、１つの特徴量取り出します。
model1 = DataFrameMapper([
    (['children', 'salary'], PCA(1))
                        ],default=None,input_df=True,df_out=True)

model1.fit_transform(df).head()

出力は以下のようになり、PCAの結果がDataFlameの形式で取得できることが確認できる。


	children_salary	pet
0	47.621951	cat
1	-18.390777	dog
2	1.630377	dog
3	-15.369180	fish
4	-10.362085	cat

2. 特定のcolumnのみ処理するモデルを作成する。

#
# DataFlameMapper利用例 2
# 
# Githubと同一の例です。
# dfの特定のcolumnにLabelBinarizerを作用させOneHotEncodingを行います。
# pandasにはpd.get_dummies(df)が用意されていますので、このような使い方は
# 適切かどうか微妙ですが、使い方は参考になるはずです。
# 
from sklearn.preprocessing import LabelBinarizer

# model2 : 
model2=DataFrameMapper([
                     ('pet',LabelBinarizer()),
                    ],default=None,input_df=True,df_out=True)

model2.fit_transform(df).head()

.fit_transform()で次のようなDataFlameの出力が直接得られます。

	pet_cat	pet_dog	pet_fish	children	salary
0	1	0	0	4.0	90.0
1	0	1	0	6.0	24.0
2	0	1	0	3.0	44.0
3	0	0	1	3.0	27.0
4	1	0	0	2.0	32.0

その他　CategoricalImputer

この他、sklearn_pandasのCategoricalImputer()を使えば.fit_transform()でデータの欠損を修正できる。

以上

sklearnをpandasから使う場合の便利ツール