如何使用sklearn優(yōu)雅地進(jìn)行數(shù)據(jù)挖掘？
文章來自：天池大數(shù)據(jù)科研平臺(tái)
一、使用sklearn數(shù)據(jù)挖掘
1.數(shù)據(jù)挖掘的步驟
數(shù)據(jù)挖掘通常包括數(shù)據(jù)采集，數(shù)據(jù)分析，特征工程，訓(xùn)練模型，模型評(píng)估等步驟。
顯然，這不是巧合，這正是sklearn的設(shè)計(jì)風(fēng)格。我們能夠更加優(yōu)雅地使用sklearn進(jìn)行特征工程和模型訓(xùn)練工作。此時(shí)，不妨從一個(gè)基本的數(shù)據(jù)挖掘場景入手：
我們使用sklearn進(jìn)行虛線框內(nèi)的工作（sklearn也可以進(jìn)行文本特征提取）。通過分析sklearn源碼，我們可以看到除訓(xùn)練，預(yù)測和評(píng)估以外，處理其他工作的類都實(shí)現(xiàn)了3個(gè)方法：fit、transform和fit_transform。從命名中可以看到，fit_transform方法是先調(diào)用fit然后調(diào)用transform，我們只需要關(guān)注fit方法和transform方法即可。
transform方法主要用來對(duì)特征進(jìn)行轉(zhuǎn)換。從可利用信息的角度來說，轉(zhuǎn)換分為無信息轉(zhuǎn)換和有信息轉(zhuǎn)換。無信息轉(zhuǎn)換是指不利用任何其他信息進(jìn)行轉(zhuǎn)換，比如指數(shù)、對(duì)數(shù)函數(shù)轉(zhuǎn)換等。
有信息轉(zhuǎn)換從是否利用目標(biāo)值向量又可分為無監(jiān)督轉(zhuǎn)換和有監(jiān)督轉(zhuǎn)換。無監(jiān)督轉(zhuǎn)換指只利用特征的統(tǒng)計(jì)信息的轉(zhuǎn)換，統(tǒng)計(jì)信息包括均值、標(biāo)準(zhǔn)差、邊界等等，比如標(biāo)準(zhǔn)化、PCA法降維等。
有監(jiān)督轉(zhuǎn)換指既利用了特征信息又利用了目標(biāo)值信息的轉(zhuǎn)換，比如通過模型選擇特征、LDA法降維等。通過總結(jié)常用的轉(zhuǎn)換類，我們得到下表：
不難看到，只有有信息的轉(zhuǎn)換類的fit方法才實(shí)際有用，顯然fit方法的主要工作是獲取特征信息和目標(biāo)值信息，在這點(diǎn)上，fit方法和模型訓(xùn)練時(shí)的fit方法就能夠聯(lián)系在一起了：都是通過分析特征和目標(biāo)值，提取有價(jià)值的信息，對(duì)于轉(zhuǎn)換類來說是某些統(tǒng)計(jì)量，對(duì)于模型來說可能是特征的權(quán)值系數(shù)等。
另外，只有有監(jiān)督的轉(zhuǎn)換類的fit和transform方法才需要特征和目標(biāo)值兩個(gè)參數(shù)。fit方法無用不代表其沒實(shí)現(xiàn)，而是除合法性校驗(yàn)以外，其并沒有對(duì)特征和目標(biāo)值進(jìn)行任何處理，Normalizer的fit方法實(shí)現(xiàn)如下：
def fit(self, X, y=None):"""Do nothing and return the estimator unchangedThis method is just there to implement the usual API and hencework in pipelines."""X = check_array(X, accept_sparse='csr')return self
基于這些特征處理工作都有共同的方法，那么試想可不可以將他們組合在一起？在本文假設(shè)的場景中，我們可以看到這些工作的組合形式有兩種：流水線式和并行式。
基于流水線組合的工作需要依次進(jìn)行，前一個(gè)工作的輸出是后一個(gè)工作的輸入；基于并行式的工作可以同時(shí)進(jìn)行，其使用同樣的輸入，所有工作完成后將各自的輸出合并之后輸出。sklearn提供了包pipeline來完成流水線式和并行式的工作。
2. 數(shù)據(jù)初貌
在此，我們?nèi)匀皇褂肐RIS數(shù)據(jù)集來進(jìn)行說明。為了適應(yīng)提出的場景，對(duì)原數(shù)據(jù)集需要稍微加工：
ffrom numpy import hstack, vstack, array, median, nanfrom numpy.random import choicefrom sklearn.datasets import load_irisiris = load_iris()#特征矩陣加工#使用vstack增加一行含缺失值的樣本(nan, nan, nan, nan)#使用hstack增加一列表示花的顏色（0-白、1-黃、2-紅），花的顏色是隨機(jī)的，意味著顏色并不影響花的分類iris.data = hstack((choice([0, 1, 2], size=iris.data.shape[0]+1).reshape(-1,1), vstack((iris.data, array([nan, nan, nan, nan]).reshape(1,-1)))))#目標(biāo)值向量加工#增加一個(gè)目標(biāo)值，對(duì)應(yīng)含缺失值的樣本，值為眾數(shù)iris.target = hstack((iris.target, array([median(iris.target)])))
3.關(guān)鍵技術(shù)
并行處理，流水線處理，自動(dòng)化調(diào)參，持久化是使用sklearn優(yōu)雅地進(jìn)行數(shù)據(jù)挖掘的核心。并行處理和流水線處理將多個(gè)特征處理工作，甚至包括模型訓(xùn)練工作組合成一個(gè)工作（從代碼的角度來說，即將多個(gè)對(duì)象組合成了一個(gè)對(duì)象）。
在組合的前提下，自動(dòng)化調(diào)參技術(shù)幫我們省去了人工調(diào)參的反鎖。訓(xùn)練好的模型是貯存在內(nèi)存中的數(shù)據(jù)，持久化能夠?qū)⑦@些數(shù)據(jù)保存在文件系統(tǒng)中，之后使用時(shí)無需再進(jìn)行訓(xùn)練，直接從文件系統(tǒng)中加載即可。
二、并行處理
并行處理使得多個(gè)特征處理工作能夠并行地進(jìn)行。根據(jù)對(duì)特征矩陣的讀取方式不同，可分為整體并行處理和部分并行處理。整體并行處理，即并行處理的每個(gè)工作的輸入都是特征矩陣的整體；部分并行處理，即可定義每個(gè)工作需要輸入的特征矩陣的列。
1.整體并行處理
pipeline包提供了FeatureUnion類來進(jìn)行整體并行處理：
from numpy import log1pfrom sklearn.preprocessing import FunctionTransformerfrom sklearn.preprocessing import Binarizerfrom sklearn.pipeline import FeatureUnion#新建將整體特征矩陣進(jìn)行對(duì)數(shù)函數(shù)轉(zhuǎn)換的對(duì)象step2_1 = ('ToLog', FunctionTransformer(log1p))#新建將整體特征矩陣進(jìn)行二值化類的對(duì)象step2_2 = ('ToBinary', Binarizer())#新建整體并行處理對(duì)象#該對(duì)象也有fit和transform方法，fit和transform方法均是并行地調(diào)用需要并行處理的對(duì)象的fit和transform方法#參數(shù)transformer_list為需要并行處理的對(duì)象列表，該列表為二元組列表，第一元為對(duì)象的名稱，第二元為對(duì)象step2 = ('FeatureUnion', FeatureUnion(transformer_list=[step2_1, step2_2]))
2.部分并行處理
整體并行處理有其缺陷，在一些場景下，我們只需要對(duì)特征矩陣的某些列進(jìn)行轉(zhuǎn)換，而不是所有列。pipeline并沒有提供相應(yīng)的類（僅OneHotEncoder類實(shí)現(xiàn)了該功能），需要我們?cè)贔eatureUnion的基礎(chǔ)上進(jìn)行優(yōu)化：
from sklearn.pipeline import FeatureUnion, _fit_one_transformer, _fit_transform_one, _transform_onefrom sklearn.externals.joblib import Parallel, delayedfrom scipy import sparseimport numpy as np#部分并行處理，繼承FeatureUnionclass FeatureUnionExt(FeatureUnion):#相比FeatureUnion，多了idx_list參數(shù)，其表示每個(gè)并行工作需要讀取的特征矩陣的列def __init__(self, transformer_list, idx_list, n_jobs=1, transformer_weights=None):self.idx_list = idx_listFeatureUnion.__init__(self, transformer_list=map(lambda trans:(trans[0], trans[1]), transformer_list), n_jobs=n_jobs, transformer_weights=transformer_weights)#由于只部分讀取特征矩陣，方法fit需要重構(gòu)def fit(self, X, y=None):transformer_idx_list = map(lambda trans, idx:(trans[0], trans[1], idx), self.transformer_list, self.idx_list)transformers = Parallel(n_jobs=self.n_jobs)(#從特征矩陣中提取部分輸入fit方法delayed(_fit_one_transformer)(trans, X[:,idx], y)for name, trans, idx in transformer_idx_list)self._update_transformer_list(transformers)return self#由于只部分讀取特征矩陣，方法fit_transform需要重構(gòu)def fit_transform(self, X, y=None, **fit_params):"""Fit all transformers, transform the data and concatenate results.Parameters----------X : iterable or array-like, depending on transformersInput data to be transformed.y : array-like, shape (n_samples, ...), optionalTargets for supervised learning.Returns-------X_t : array-like or sparse matrix, shape (n_samples, sum_n_components)hstack of results of transformers. sum_n_components is thesum of n_components (output dimension) over transformers."""self._validate_transformers()result = Parallel(n_jobs=self.n_jobs)(delayed(_fit_transform_one)(trans, name, 1, X, y,**fit_params)for name, trans, weight in self._iter())if not result:# All transformers are Nonereturn np.zeros((X.shape[0], 0))Xs, transformers = zip(*result)self._update_transformer_list(transformers)if any(sparse.issparse(f) for f in Xs):Xs = sparse.hstack(Xs).tocsr()else:Xs = np.hstack(Xs)return Xsdef transform(self, X):"""Transform X separately by each transformer, concatenate results.Parameters----------X : iterable or array-like, depending on transformersInput data to be transformed.Returns-------X_t : array-like or sparse matrix, shape (n_samples, sum_n_components)hstack of results of transformers. sum_n_components is thesum of n_components (output dimension) over transformers."""Xs = Parallel(n_jobs=self.n_jobs)(delayed(_transform_one)(trans, name, 1, X)for name, trans, weight in self._iter())if not Xs:# All transformers are Nonereturn np.zeros((X.shape[0], 0))if any(sparse.issparse(f) for f in Xs):Xs = sparse.hstack(Xs).tocsr()else:Xs = np.hstack(Xs)return Xs
在本文提出的場景中，我們對(duì)特征矩陣的第1列（花的顏色）進(jìn)行定性特征編碼，對(duì)第2、3、4列進(jìn)行對(duì)數(shù)函數(shù)轉(zhuǎn)換，對(duì)第5列進(jìn)行定量特征二值化處理。使用FeatureUnionExt類進(jìn)行部分并行處理的代碼如下：
from numpy import log1pfrom sklearn.preprocessing import OneHotEncoderfrom sklearn.preprocessing import FunctionTransformerfrom sklearn.preprocessing import Binarizer#新建將部分特征矩陣進(jìn)行獨(dú)熱編碼的對(duì)象step2_1 = ('OneHotEncoder', OneHotEncoder(sparse=False))#新建將部分特征矩陣進(jìn)行對(duì)數(shù)函數(shù)轉(zhuǎn)換的對(duì)象step2_2 = ('ToLog', FunctionTransformer(log1p))#新建將部分特征矩陣進(jìn)行二值化類的對(duì)象step2_3 = ('ToBinary', Binarizer())#新建部分并行處理對(duì)象#參數(shù)transformer_list為需要并行處理的對(duì)象列表，該列表為二元組列表，第一元為對(duì)象的名稱，第二元為對(duì)象#參數(shù)idx_list為相應(yīng)的需要讀取的特征矩陣的列step2 = ('FeatureUnionExt', FeatureUnionExt(transformer_list=[step2_1, step2_2, step2_3], idx_list=[[0], [1, 2, 3], [4]]))
三、流水線處理
pipeline包提供了Pipeline類來進(jìn)行流水線處理。流水線上除最后一個(gè)工作以外，其他都要執(zhí)行fit_transform方法，且上一個(gè)工作輸出作為下一個(gè)工作的輸入。
最后一個(gè)工作必須實(shí)現(xiàn)fit方法，輸入為上一個(gè)工作的輸出；但是不限定一定有transform方法，因?yàn)榱魉€的最后一個(gè)工作可能是訓(xùn)練！
根據(jù)本文提出的場景，結(jié)合并行處理，構(gòu)建完整的流水線的代碼如下：
from numpy import log1pfrom sklearn.preprocessing import Imputerfrom sklearn.preprocessing import OneHotEncoderfrom sklearn.preprocessing import FunctionTransformerfrom sklearn.preprocessing import Binarizerfrom sklearn.preprocessing import MinMaxScalerfrom sklearn.feature_selection import SelectKBestfrom sklearn.feature_selection import chi2from sklearn.decomposition import PCAfrom sklearn.linear_model import LogisticRegressionfrom sklearn.pipeline import Pipeline#新建計(jì)算缺失值的對(duì)象step1 = ('Imputer', Imputer())#新建將部分特征矩陣進(jìn)行定性特征編碼的對(duì)象step2_1 = ('OneHotEncoder', OneHotEncoder(sparse=False))#新建將部分特征矩陣進(jìn)行對(duì)數(shù)函數(shù)轉(zhuǎn)換的對(duì)象step2_2 = ('ToLog', FunctionTransformer(log1p))#新建將部分特征矩陣進(jìn)行二值化類的對(duì)象step2_3 = ('ToBinary', Binarizer())#新建部分并行處理對(duì)象，返回值為每個(gè)并行工作的輸出的合并step2 = ('FeatureUnionExt', FeatureUnionExt(transformer_list=[step2_1, step2_2, step2_3], idx_list=[[0], [1, 2, 3], [4]]))#新建無量綱化對(duì)象step3 = ('MinMaxScaler', MinMaxScaler())#新建卡方校驗(yàn)選擇特征的對(duì)象step4 = ('SelectKBest', SelectKBest(chi2, k=3))#新建PCA降維的對(duì)象step5 = ('PCA', PCA(n_components=2))#新建邏輯回歸的對(duì)象，其為待訓(xùn)練的模型作為流水線的最后一步step6 = ('LogisticRegression', LogisticRegression(penalty='l2'))#新建流水線處理對(duì)象#參數(shù)steps為需要流水線處理的對(duì)象列表，該列表為二元組列表，第一元為對(duì)象的名稱，第二元為對(duì)象pipeline = Pipeline(steps=[step1, step2, step3, step4, step5, step6])
四、自動(dòng)化調(diào)參
網(wǎng)格搜索為自動(dòng)化調(diào)參的常見技術(shù)之一，grid_search包提供了自動(dòng)化調(diào)參的工具，包括GridSearchCV類。對(duì)組合好的對(duì)象進(jìn)行訓(xùn)練以及調(diào)參的代碼如下：
from sklearn.grid_search import GridSearchCViris = load_iris()#新建網(wǎng)格搜索對(duì)象#第一參數(shù)為待訓(xùn)練的模型#param_grid為待調(diào)參數(shù)組成的網(wǎng)格，字典格式，鍵為參數(shù)名稱（格式“對(duì)象名稱__子對(duì)象名稱__參數(shù)名稱”），值為可取的參數(shù)值列表grid_search = GridSearchCV(pipeline, param_grid={'FeatureUnionExt__ToBinary__threshold':[1.0, 2.0, 3.0, 4.0], 'LogisticRegression__C':[0.1, 0.2, 0.4, 0.8]})#訓(xùn)練以及調(diào)參grid_search.fit(iris.data, iris.target)
五、持久化
externals.joblib包提供了dump和load方法來持久化和加載內(nèi)存數(shù)據(jù)：
#持久化數(shù)據(jù)#第一個(gè)參數(shù)為內(nèi)存中的對(duì)象#第二個(gè)參數(shù)為保存在文件系統(tǒng)中的名稱#第三個(gè)參數(shù)為壓縮級(jí)別，0為不壓縮，3為合適的壓縮級(jí)別dump(grid_search, 'grid_search.dmp', compress=3)#從文件系統(tǒng)中加載數(shù)據(jù)到內(nèi)存中grid_search = load('grid_search.dmp')
?回顧
注意：組合和持久化都會(huì)涉及pickle技術(shù)，在sklearn的技術(shù)文檔中有說明，將lambda定義的函數(shù)作為FunctionTransformer的自定義轉(zhuǎn)換函數(shù)將不能pickle化。