使用sklearn優雅地進行數據挖掘

1 使用sklearn進行數據挖掘

1.1 數據挖掘的步驟

數據挖掘通常包括數據采集，數據分析，特征工程，訓練模型，模型評估等步驟。使用sklearn工具可以方便地進行特征工程和模型訓練工作，在《使用sklearn做單機特征工程》中，我們最后留下了一些疑問：特征處理類都有三個方法fit、transform和fit_transform，fit方法居然和模型訓練方法fit同名（不光同名，參數列表都一樣），這難道都是巧合？

顯然，這不是巧合，這正是sklearn的設計風格。我們能夠更加優雅地使用sklearn進行特征工程和模型訓練工作。此時，不妨從一個基本的數據挖掘場景入手：

我們使用sklearn進行虛線框內的工作（sklearn也可以進行文本特征提?。?。通過分析sklearn源碼，我們可以看到除訓練，預測和評估以外，處理其他工作的類都實現了3個方法：fit、transform和fit_transform。從命名中可以看到，fit_transform方法是先調用fit然后調用transform，我們只需要關注fit方法和transform方法即可。

transform方法主要用來對特征進行轉換。從可利用信息的角度來說，轉換分為無信息轉換和有信息轉換。無信息轉換是指不利用任何其他信息進行轉換，比如指數、對數函數轉換等。有信息轉換從是否利用目標值向量又可分為無監督轉換和有監督轉換。無監督轉換指只利用特征的統計信息的轉換，統計信息包括均值、標準差、邊界等等，比如標準化、PCA法降維等。有監督轉換指既利用了特征信息又利用了目標值信息的轉換，比如通過模型選擇特征、LDA法降維等。通過總結常用的轉換類，我們得到下表：

不難看到，只有有信息的轉換類的fit方法才實際有用，顯然fit方法的主要工作是獲取特征信息和目標值信息，在這點上，fit方法和模型訓練時的fit方法就能夠聯系在一起了：都是通過分析特征和目標值，提取有價值的信息，對于轉換類來說是某些統計量，對于模型來說可能是特征的權值系數等。另外，只有有監督的轉換類的fit和transform方法才需要特征和目標值兩個參數。fit方法無用不代表其沒實現，而是除合法性校驗以外，其并沒有對特征和目標值進行任何處理，Normalizer的fit方法實現如下：

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?；诹魉€組合的工作需要依次進行，前一個工作的輸出是后一個工作的輸入；基于并行式的工作可以同時進行，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。

1.2 數據初貌

在此，我們仍然使用IRIS數據集來進行說明。為了適應提出的場景，對原數據集需要稍微加工：

1.3 關鍵技術

并行處理，流水線處理，自動化調參，持久化是使用sklearn優雅地進行數據挖掘的核心。并行處理和流水線處理將多個特征處理工作，甚至包括模型訓練工作組合成一個工作（從代碼的角度來說，即將多個對象組合成了一個對象）。在組合的前提下，自動化調參技術幫我們省去了人工調參的反鎖。訓練好的模型是貯存在內存中的數據，持久化能夠將這些數據保存在文件系統中，之后使用時無需再進行訓練，直接從文件系統中加載即可。

2 并行處理

并行處理使得多個特征處理工作能夠并行地進行。根據對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，即可定義每個工作需要輸入的特征矩陣的列。

2.1 整體并行處理

pipeline包提供了FeatureUnion類來進行整體并行處理：

2.2 部分并行處理

整體并行處理有其缺陷，在一些場景下，我們只需要對特征矩陣的某些列進行轉換，而不是所有列。pipeline并沒有提供相應的類（僅OneHotEncoder類實現了該功能），需要我們在FeatureUnion的基礎上進行優化：

 View Code

在本文提出的場景中，我們對特征矩陣的第1列（花的顏色）進行定性特征編碼，對第2、3、4列進行對數函數轉換，對第5列進行定量特征二值化處理。使用FeatureUnionExt類進行部分并行處理的代碼如下：

3 流水線處理

pipeline包提供了Pipeline類來進行流水線處理。流水線上除最后一個工作以外，其他都要執行fit_transform方法，且上一個工作輸出作為下一個工作的輸入。最后一個工作必須實現fit方法，輸入為上一個工作的輸出；但是不限定一定有transform方法，因為流水線的最后一個工作可能是訓練！

根據本文提出的場景，結合并行處理，構建完整的流水線的代碼如下：