在 Python Pandas 中训练朴素贝叶斯的不同类型的特征

Question

我想使用一些特征来训练朴素贝叶斯分类器来分类 'A' 或 'non-A'。

我有三个不同值类型的特征： 1) total_length - 正整数 2) 元音比例 - decimal/fraction 3) twoLetters_lastName - 包含多个双字母字符串的数组

# coding=utf-8
from nltk.corpus import names
import nltk
import random
import numpy as np
import pandas as pd
from pandas import DataFrame, Series
from sklearn.naive_bayes import GaussianNB
import sys
reload(sys)
sys.setdefaultencoding('utf-8')

# Import data into pandas
data = pd.read_csv('XYZ.csv', header=0, encoding='utf-8', 
    low_memory=False)
df = DataFrame(data)

# Randomize records
df = df.reindex(np.random.permutation(df.index))

# Assign column into label Y
df_Y = df[df.AScan.notnull()][['AScan']].values # Labels are 'A' or 'non-A'
#print df_Y

# Assign column vector into attribute X
df_X = df[df.AScan.notnull()][['total_length', 'vowel_ratio', 'twoLetters_lastName']].values
#print df_X[0:10]

# Incorporate X and Y into ML algorithms
clf = GaussianNB()
clf.fit(df_X, df_Y)

df_Y如下：

[[u'non-A']
 [u'A']
 [u'non-A']
 ..., 
 [u'A']
 [u'non-A']
 [u'non-A']]

df_X如下：

[[9L 0.222222222 u"[u'ke', u'el', u'll', u'ly']"]
 [17L 0.41176470600000004
  u"[u'ma', u'ar', u'rg', u'ga', u'ar', u'ri', u'is']"]
 [11L 0.454545455 u"[u'du', u'ub', u'bu', u'uc']"]
 [11L 0.454545455 u"[u'ma', u'ah', u'he', u'er']"]
 [15L 0.333333333 u"[u'ma', u'ag', u'ge', u'ee']"]
 [13L 0.307692308 u"[u'jo', u'on', u'ne', u'es']"]
 [12L 0.41666666700000005
  u"[u'le', u'ef', u'f\xe8', u'\xe8v', u'vr', u're']"]
 [15L 0.26666666699999997 u"[u'ni', u'ib', u'bl', u'le', u'et', u'tt']"]
 [15L 0.333333333 u"[u'ki', u'in', u'ns', u'sa', u'al', u'll', u'la']"]
 [11L 0.363636364 u"[u'mc', u'cn', u'ne', u'ei', u'il']"]]

我收到这个错误：

E:\Program Files Extra\Python27\lib\site-packages\sklearn\naive_bayes.py:150: DataConversionWarning: A column-vector y was passed when a 1d array was expected. Please change the shape of y to (n_samples, ), for example using ravel().
  y = column_or_1d(y, warn=True)
Traceback (most recent call last):
  File "C:werwer\wer\wer.py", line 32, in <module>
    clf.fit(df_X, df_Y)
  File "E:\Program Files Extra\Python27\lib\site-packages\sklearn\naive_bayes.py", line 163, in fit
    self.theta_[i, :] = np.mean(Xi, axis=0)
  File "E:\Program Files Extra\Python27\lib\site-packages\numpy\core\fromnumeric.py", line 2727, in mean
    out=out, keepdims=keepdims)
  File "E:\Program Files Extra\Python27\lib\site-packages\numpy\core\_methods.py", line 69, in _mean
    ret, rcount, out=ret, casting='unsafe', subok=False)
TypeError: unsupported operand type(s) for /: 'unicode' and 'long'

我的理解是我需要将特征转换为一个 numpy 数组作为特征向量，但我不认为我正在准备这个 X 向量，因为它包含非常不同的值类型。

Answer 1

我不是 100% 确定，但我认为 scikit-learn.naive_bayes 需要纯数字特征向量而不是文本和数字的混合。尝试用长整数 "divide" unicode 字符串时看起来它崩溃了。

我在查找文本的数字表示方面帮不上什么忙，但 this scikit-learn tutorial 可能是一个好的开始。

Answer 2

相关问题：Choosing a Classification Algorithm to Classify Mix of Nominal and Numeric Data -- Mixing Categorial and Continuous Data in Naive Bayes Classifier Using Scikit-learn

好的，现在有一些事情正在发生。正如 DalekSec 指出的那样，最好的做法是在将所有特征输入到 GaussianNB 等模型时将它们保持为一种类型。回溯表明，在拟合模型时，它会尝试将一个字符串（大概是您的 unicode 字符串之一，如 u"[u'ke', u'el', u'll', u'ly']"）除以一个整数。所以我们需要做的就是将训练数据转换成sklearn可以使用的形式。我们可以通过几种方式做到这一点，ogrisel 在这个答案中雄辩地描述了其中两种 here。

我们可以将所有的连续变量转换为分类变量。在我们的例子中，这意味着转换 total_length（在某些情况下您可能将其视为分类变量，但我们不要超越自己）和 vowel-ratio。例如，您基本上可以将您在每个特征中看到的值基于百分位分类为 5 个值之一：'very small'、'small'、'medium'、'high'、'very high'.据我所知，在 sk-learn 中没有真正简单的方法，但是自己做应该非常简单。您唯一想要更改的是您想要使用 MultinomialNB 而不是 GaussianNB 因为您将处理多项分布而不是高斯分布更好地描述的特征。
我们可以将分类特征转换为数字特征以供 GaussianNB 使用。我个人认为这是更直观的方法。基本上，在处理文本时，您需要弄清楚要从文本中获取哪些信息并传递给分类器。在我看来，您想提取不同的两个字母姓氏的出现率。

通常我会问你是否有数据集中的所有姓氏，但由于每个姓氏只有两个字母，我们可以只存储所有可能的两个字母名称（包括涉及重音符号的 unicode 字符) 对性能的影响最小。这就是 sklearn 的 CountVectorizer 之类的东西可能有用的地方。假设您的数据中有两个字母姓氏的所有可能组合，您可以直接使用它来将 twoLetter_lastname 列中的一行转换为一个 N 维向量，记录每个唯一姓氏的出现次数在你的行中的名字。然后将这个新向量与其他两个特征组合成一个 numpy 数组。

如果您没有两个字母（包括重音字母）的所有可能组合，您应该考虑生成该列表并将其作为 'vocabulary' 传递给 CountVectorizer。这是为了让您的分类器知道如何处理所有可能的姓氏。 如果您不处理所有情况，这不是世界末日，但在此方案中将忽略任何新的看不见的两个字母对。

在使用这些工具之前，您应该确保将您的姓氏列作为列表而不是字符串传递，因为这可能会导致意外行为。

您可以阅读有关一般 sklearn 预处理的更多信息 here, and more about CountVectorizer and other text feature extraction tools provided by sklearn here。我每天都会大量使用这些工具，并推荐将它们用于基本的文本提取任务。网上也有很多教程和演示。您可能还会寻找其他类型的表示方法，例如二值化和单热编码。解决这个问题的方法很多，主要看你的具体problem/needs.

在您能够将所有数据转换为一种形式或另一种形式之后，您应该能够使用高斯或多项式 NB 分类器。至于你关于一维向量的错误，你打印了 df_Y 它看起来像

[[u'non-A']
 [u'A']
 [u'non-A']
 ..., 
 [u'A']
 [u'non-A']
 [u'non-A']]

基本上，它希望它位于平面列表中，而不是作为列向量（一维列表的列表）。只需使用 numpy.reshape() 或 numpy.ravel() 之类的命令相应地重塑它（numpy.ravel() 可能更合适，考虑到你只处理一列，正如提到的错误）。

在 Python Pandas 中训练朴素贝叶斯的不同类型的特征

Different types of features to train Naive Bayes in Python Pandas

machine-learning

nltk

python-2.7

pandas

scikit-learn