8
10

Delete article

Deleted articles cannot be recovered.

Draft of this article would be also deleted.

Are you sure you want to delete this article?

More than 5 years have passed since last update.

sklearnをpandasから使う場合の便利ツール

Last updated at Posted at 2018-08-26

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

8
10
0

Register as a new user and use Qiita more conveniently

  1. You get articles that match your needs
  2. You can efficiently read back useful information
  3. You can use dark theme
What you can do with signing up
8
10

Delete article

Deleted articles cannot be recovered.

Draft of this article would be also deleted.

Are you sure you want to delete this article?