简介

许多数据科学家在没有管道的情况下拼凑模型，但管道有一些重要的好处。其中包括

• 更简洁的代码:在预处理的每个步骤中计算数据可能会变得混乱。使用管道，您将不需要在每个步骤手动跟踪您的训练和验证数据。
• 更少的bug:错误应用步骤或忘记预处理步骤的机会更少。
• 更容易生产:将模型从原型转换为可大规模部署的东西可能非常困难。我们不会在这里讨论许多相关的问题，但管道可以提供帮助。
• 模型验证的更多选项:您将在下一个教程中看到一个示例，它涵盖了交叉验证。

例子

我们继续使用Melbourne Housing 数据集.
我们将不关注数据加载步骤。相反，您可以想象自己已经有了 X_train, X_valid, y_train, 和 y_valid. 中的训练和验证数据。

import pandas as pd
from sklearn.model_selection import train_test_split

# Read the data
data = pd.read_csv('melbourne-housing-snapshot/melb_data.csv')

# Separate target from predictors
y = data.Price
X = data.drop(['Price'], axis=1)

# Divide data into training and validation subsets
X_train_full, X_valid_full, y_train, y_valid = train_test_split(X, y, train_size=0.8, test_size=0.2,
                                                                random_state=0)

# "Cardinality" means the number of unique values in a column
# Select categorical columns with relatively low cardinality (convenient but arbitrary)
categorical_cols = [cname for cname in X_train_full.columns if X_train_full[cname].nunique() < 10 and 
                        X_train_full[cname].dtype == "object"]

# Select numerical columns
numerical_cols = [cname for cname in X_train_full.columns if X_train_full[cname].dtype in ['int64', 'float64']]

# Keep selected columns only
my_cols = categorical_cols + numerical_cols
X_train = X_train_full[my_cols].copy()
X_valid = X_valid_full[my_cols].copy()

我们用下面的head()方法查看一下训练数据。注意，数据既包含类别数据，也包含缺少值的列。使用管道，可以很容易地处理这两个问题！

X_train.head()

.dataframe tbody tr th:only-of-type {
vertical-align: middle;
}
.dataframe tbody tr th {
vertical-align: top;
}

.dataframe thead th {
text-align: right;
}

分三步构建完整的管道。

步骤1：定义预处理

与管道将预处理和建模步骤捆绑在一起的方式类似，我们使用“ColumnTransformer”类将不同的预处理步骤捆绑在一起。下面的代码

• 在数值数据中计算缺失值，并且
• 计算缺失值并对分类数据应用one-hot编码。

from sklearn.compose import ColumnTransformer
from sklearn.pipeline import Pipeline
from sklearn.impute import SimpleImputer
from sklearn.preprocessing import OneHotEncoder

# Preprocessing for numerical data
numerical_transformer = SimpleImputer(strategy='constant')

# Preprocessing for categorical data
categorical_transformer = Pipeline(steps=[
    ('imputer', SimpleImputer(strategy='most_frequent')),
    ('onehot', OneHotEncoder(handle_unknown='ignore'))
])

# Bundle preprocessing for numerical and categorical data
preprocessor = ColumnTransformer(
    transformers=[
        ('num', numerical_transformer, numerical_cols),
        ('cat', categorical_transformer, categorical_cols)
    ])

步骤3：定义模型

接下来,我们定义一个随机森林模型RandomForestRegressor 。

from sklearn.ensemble import RandomForestRegressor

model = RandomForestRegressor(n_estimators=100, random_state=0)

步骤3:创建和评估管道

最后,我们使用 Pipeline类，定义一个将预处理和建模步骤捆绑在一起的管道。有几件重要的事情需要注意：

• 使用管道，我们预处理训练数据并在一行代码中拟合模型。(相比之下，如果没有管道，我们必须在单独的步骤中进行imputation, one-hot编码和模型训练。如果我们必须同时处理数值变量和分类变量，这会变得特别混乱!)
• 使用管道，我们将’ X_valid ‘中未处理的特征提供给’ predict() ‘命令，并且管道在生成预测之前自动预处理特征。(但是，如果没有管道，我们必须记住在进行预测之前对验证数据进行预处理。)

from sklearn.metrics import mean_absolute_error

# Bundle preprocessing and modeling code in a pipeline
my_pipeline = Pipeline(steps=[('preprocessor', preprocessor),
                              ('model', model)
                             ])

# Preprocessing of training data, fit model 
my_pipeline.fit(X_train, y_train)

# Preprocessing of validation data, get predictions
preds = my_pipeline.predict(X_valid)

# Evaluate the model
score = mean_absolute_error(y_valid, preds)
print('MAE:', score)

MAE: 160679.18917034855

结论

管道对于清理机器学习代码和避免错误很有价值，对于具有复杂数据预处理的工作流尤其有用。

本文正在参加「金石计划」