make_column_transformer

sklearn.compose.make_column_transformer(*transformers, remainder='drop', sparse_threshold=0.3, n_jobs=None, verbose=False, verbose_feature_names_out=True)[исходный код]

Создаёт ColumnTransformer из заданных преобразователей.

Это сокращённая форма вызова конструктора ColumnTransformer: она не требует и не позволяет задавать имена преобразователям. Вместо этого им автоматически присваиваются имена на основе их типов. Также не поддерживается взвешивание с помощью transformer_weights.

Подробнее см. в руководстве пользователя.

Параметры:

*transformersкортежи

Кортежи вида (transformer, columns), задающие объекты-преобразователи, которые будут применены к подмножествам данных.

transformer{‘drop’, ‘passthrough’} или оцениватель

Оцениватель должен поддерживать fit и transform. Также принимаются специальные строковые значения ‘drop’ и ‘passthrough’, указывающие соответственно на удаление столбцов или передачу их без преобразования.

columnsstr, массивоподобный объект из str, int, массивоподобный объект из int, срез, массивоподобный объект из bool или вызываемый объект

Индексирует данные по второй оси. Целые числа интерпретируются как позиции столбцов, а строки могут указывать на столбцы DataFrame по имени. Если transformer ожидает, что X будет одномерным массивоподобным объектом (вектором), следует использовать скалярную строку или целое число; в противном случае преобразователю будет передан двумерный массив. Вызываемому объекту передаются входные данные X, и он может вернуть любое из перечисленных выше значений. Чтобы выбрать несколько столбцов по имени или типу данных, можно использовать make_column_selector.

remainder{‘drop’, ‘passthrough’} или оцениватель, по умолчанию=’drop’

По умолчанию преобразуются и объединяются в выходных данных только указанные в transformers столбцы, а остальные удаляются (значение по умолчанию — 'drop'). Если указать remainder='passthrough', все остальные столбцы, не указанные в transformers, будут автоматически переданы без изменений. Это подмножество столбцов объединяется с выходными данными преобразователей. Если задать для remainder оцениватель, к оставшимся неуказанным столбцам будет применён оцениватель remainder. Оцениватель должен поддерживать fit и transform.

sparse_thresholdfloat, по умолчанию=0.3

Если преобразованные выходные данные состоят из разреженных и плотных данных, они будут объединены в разреженную матрицу, если её плотность ниже этого значения. Используйте sparse_threshold=0, чтобы всегда возвращать плотные данные. Если преобразованные выходные данные состоят только из разреженных или только из плотных данных, результат объединения будет соответственно разреженным или плотным, а этот параметр будет проигнорирован.

n_jobsint, по умолчанию=None

Количество задач, выполняемых параллельно. Значение None означает 1, если только не используется контекст joblib.parallel_backend. Значение -1 означает использование всех процессоров. Подробнее см. в глоссарии.

verbosebool, по умолчанию=False

Если True, по завершении обучения каждого преобразователя будет выведено затраченное время.

verbose_feature_names_outbool, по умолчанию=True

Если True, ColumnTransformer.get_feature_names_out добавит к именам всех признаков префикс с именем преобразователя, создавшего этот признак. Если False, ColumnTransformer.get_feature_names_out не будет добавлять префиксы к именам признаков и вызовет ошибку, если имена признаков не уникальны.

Добавлено в версии 1.0.

Возвращает:

ctColumnTransformer

Возвращает объект ColumnTransformer.

См. также

ColumnTransformer

Класс, позволяющий объединять выходные данные нескольких объектов-преобразователей, применяемых к подмножествам столбцов данных, в единое пространство признаков.

Примеры

>>> from sklearn.preprocessing import StandardScaler, OneHotEncoder
>>> from sklearn.compose import make_column_transformer
>>> make_column_transformer(
...     (StandardScaler(), ['numerical_column']),
...     (OneHotEncoder(), ['categorical_column']))
ColumnTransformer(transformers=[('standardscaler', StandardScaler(...),
                                 ['numerical_column']),
                                ('onehotencoder', OneHotEncoder(...),
                                 ['categorical_column'])])

Примеры из галереи

Поддержка категориальных признаков в градиентном бустинге

Распространённые ошибки при интерпретации коэффициентов линейных моделей

Отображение оценивателей и сложных конвейеров

Основные нововведения scikit-learn 0.23

Основные нововведения scikit-learn 1.9