내용

• Vectorize
• OneHot encoding
• ColumnTransfer
  • make_column_selector
  • make_column_transformer

목록변수를 순서형변수로 전환

Vectorize

목록변수에 포함된 모든 text를 단어 수준에서 분리합니다. 즉, token화하여 벡터로 변환합니다. 예를 들어 자료의 한 열이 다음과 같이 텍스트로 구성된 경우 벡터화는 다음과 같이 이루어집니다.

His Last Bow
How Watson Learned the Trick
A Moveable Feast
The Grapes of Wrath

이 데이터의 포함된 모든 텍스트의 token 각각에 1을 할당하여 다음과 벡터화 할 수 있습니다.

text	'bow'	'feast'	'grapes'	'his'	'how'	'last'	'learned',	'moveable'	'of'	'the'	'trick'	'watson'	'wrath'
Vector	1	1	1	1	1	1	1	1	1	1	1	1	1

위 표를 기준으로 1행의 "His Last Bow"는 다음과 같이 벡터화할 수 있습니다.

text	'bow'	'feast'	'grapes'	'his'	'how'	'last'	'learned',	'moveable'	'of'	'the'	'trick'	'watson'	'wrath'
Vector	1	0	0	1	0	1	0	0	0	0	0	0	0

위 과정은 sklearn.feature_extraction.text.CountVectorizer() 클래스에 의해 실행됩니다. 이 클래스에 적용할 수 있는 데이터는 1개의 열입니다. 즉, 벡터이어야 합니다.

sklearn.feature_extraction.text.CountVectorizer()

• .fit(data): estimator 생성
• data는 1차원 벡터입니다.
• .transform(data): 변환된 결과 반환(.toarray()와 같이 자료형을 지정해 주어야 최종평가가 이루어집니다.)
• 위의 두 메소드를 결합하여 .fit_transform(data)로 처리할 수 있습니다.
• .get_feature_names_out(): 텍스트를 벡터화할 때 사용된 기준(token 또는 token들의 모임)을 반환
• .inverse_transform(data): 변환된 결과를 기준에 부합하여 텍스트로 환원한 결과를 반환

corpus

0	His Last Bow
1	How Watson Learned the Trick
2	A Moveable Feast
3	The Grapes of Wrath
Name: title, dtype: object

from sklearn.feature_extraction.text import CountVectorizer

vector=CountVectorizer()
corp=vector.fit_transform(corpus)
corp.toarray()

array([[1, 0, 0, 1, 0, 1, 0, 0, 0, 0, 0, 0, 0],
       [0, 0, 0, 0, 1, 0, 1, 0, 0, 1, 1, 1, 0],
       [0, 1, 0, 0, 0, 0, 0, 1, 0, 0, 0, 0, 0],
       [0, 0, 1, 0, 0, 0, 0, 0, 1, 1, 0, 0, 1]])

이 클래스의 메서드 get_feature_names_out()는 벡터화의 기준인 corpus를 반환합니다.

vector.get_feature_names_out()

array(['bow', 'feast', 'grapes', 'his', 'how', 'last', 'learned',
       'moveable', 'of', 'the', 'trick', 'watson', 'wrath'], dtype=object)

vector.inverse_transform(corp)

[array(['his', 'last', 'bow'], dtype='<U8'),
 array(['how', 'watson', 'learned', 'the', 'trick'], dtype='<U8'),
 array(['moveable', 'feast'], dtype='<U8'),
   array(['the', 'grapes', 'of', 'wrath'], dtype='<U8')]

CountVectorize()의 매개변수인 analyer, ngran_range(최소, 최대)에서 각각 인수값 'word'와 최소와 최대를 지정하여 텍스트를 분리하는 기준을 설정할 수 있습니다. 예를 들어 를 전달하고 analyer='word', ngran_range(3, 4)를 클래스에 전달하는 경우 위 단어들 중 3개가 결합한 텍스트와 4개가 결합한 텍스트에 대해 벡터화를 실시합니다.,/p>

vector2=CountVectorizer(analyzer="word", ngram_range=(3,4))
corp2=vector2.fit_transform(corpus)
corp2.toarray()

array([[0, 1, 0, 0, 0, 0, 0, 0, 0],
       [0, 0, 1, 1, 1, 0, 0, 1, 1],
       [0, 0, 0, 0, 0, 0, 0, 0, 0],
       [1, 0, 0, 0, 0, 1, 1, 0, 0]])

vector2.get_feature_names_out()

array(['grapes of wrath', 'his last bow', 'how watson learned',
       'how watson learned the', 'learned the trick', 'the grapes of',
       'the grapes of wrath', 'watson learned the',
       'watson learned the trick'], dtype=object)

OneHot encoding

위의 벡터화는 텍스트에 대한 지정된 분류 기준에 따라 벡터화를 진행하는 데 반해 원핫인코딩은 그 변수의 각 클래스 단위로 분류됩니다.예를 들어 다음 데이터의 경우

trg

	city	title
0	London	His Last Bow
1	London	How Watson Learned the Trick
2	Paris	A Moveable Feast
3	Sallisaw	The Grapes of Wrath

위 데이터의 2열의 클래스는 4개입니다.

trg['title'].values

array(['His Last Bow', 'How Watson Learned the Trick', 'A Moveable Feast',
       'The Grapes of Wrath'], dtype=object)

클래스를 올림차순으로 정렬하여 0과 1로 벡터화합니다.

class	'A Moveable Feast'	'His Last Bow'	'How Watson Learned the Trick'	'The Grapes of Wrath'
vector	1	1	1	1

이 기준으로 클래스 'His Last Bow'의 원핫인코딩의 결과는 [0, 1, 0, 0]이 됩니다. 이러한 과정은 sklearn의 다음 클래스를 적용하여 실행할 수 있습니다.

sklearn.preprocessing.OneHotEncoder()

• 전달하는 인수는 2차원 이상의 배열 구조 이어야 합니다.
• .fit(data): estimator 생성
• .transform(data): 변환(.toarray()와 같이 자료형을 지정해 주어야 최종평가가 이루어집니다.)
• 위의 두 메소드를 결합하여 .fit_transform(data)로 처리할 수 있습니다.
• .inverse_transforme(변환된 data): 원시데이터로 환원된 결과를 반환합니다.
• .categories_ : data의 클래스(목록)를 반환하는 속성

from sklearn.preprocessing import OneHotEncoder

onehot=OneHotEncoder().fit(trg)
var=onehot.transform(trg)
var.toarray()

array([[1., 0., 0., 0., 1., 0., 0.],
       [1., 0., 0., 0., 0., 1., 0.],
       [0., 1., 0., 1., 0., 0., 0.],
       [0., 0., 1., 0., 0., 0., 1.]])

onehot.categories_

[array(['London', 'Paris', 'Sallisaw'], dtype=object),
 array(['A Moveable Feast', 'His Last Bow', 'How Watson Learned the Trick',
        'The Grapes of Wrath'], dtype=object)]

onehot.inverse_transform(var)

array([['London', 'His Last Bow'],
       ['London', 'How Watson Learned the Trick'],
       ['Paris', 'A Moveable Feast'],
       ['Sallisaw', 'The Grapes of Wrath']], dtype=object)

ColumnTransfer

다음 데이터는 명목변수와 이산형 변수가 혼재되어 있는 경우입니다. 명목변수를 이산형변수로 전환할 필요가 있으며 변수 'city'와 'title'에 다른 변환을 적용하려 합니다. 이러한 경우 sklearn.compose.ColumnTransfer() 클래스를 통해 여러 특징(feature) 추출 또는 변환 메커지즘을 단일한 변환기로 결합할 수 있습니다.

class sklearn.compose.ColumnTransformer(transformers, *, remainder='drop', …, verbose_feature_names_out=True)

• transfomer: 변환기전과 대상 데이터를 지정하는 것으로 '(name, transformer, columns)' 형식으로 전달
  • name:문자열로서 변환된 열의 이름을 이 클래스내에서 규정, set_params를 사용하여 설정할 수 있슴.
  • transformer: estimator로서 변환에 사용할 추정기를 지정, 'drop'은 해당 열을 삭제, 'passthrough'는 해당 열을 변환 없이 전달
  • columns: 문자열, 배열, DataFrame, slice 등 형식의 데이터
• remainder: transformer에서 지정되지 않은 나머지 열에 적용방법을 지정
  • drop: 나머지 열은 결과에서 삭제(기본)
  • passthrough: 나머지 열은 변환되지 않은 상태로 결과에 출력
  • estimator: 나머지 열은 지정된 추정기(estimator)에 의해 변환
• verbose_feature_names_out: 메서드 get_feature_names_out()에서 지정한 name의 출력여부
  • True: 모든 열이름의 출력은 '지정한 name_raw column name'의 형식
  • False: 일부 열이름 출력에 지정한 name이 생략

 X = pd.DataFrame({'city': ['London', 'London', 'Paris', 'Sallisaw'],
                   'title': ["His Last Bow", "How Watson Learned the Trick","A Moveable Feast", "The Grapes of Wrath"],
                   'expert_rating': [5, 3, 4, 5],
                   'user_rating': [4, 5, 4, 3]})
X

	city	title	expert_rating	user_rating
0	London	His Last Bow	5	4
1	London	How Watson Learned the Trick	3	5
2	Paris	A Moveable Feast	4	4
3	Sallisaw	The Grapes of Wrath	5	3

from sklearn.compose import ColumnTransformer
Coltran=ColumnTransformer([('catego', OneHotEncoder(dtype=int), ['city']),
                          ('title', CountVectorizer(), 'title')], remainder='drop', verbose_feature_names_out=False)
Coltran.fit(X)

ColumnTransformer(transformers=[('catego', OneHotEncoder(dtype=<class 'int'>),
                                 ['city']),
                                ('title', CountVectorizer(), 'title')],
                  verbose_feature_names_out=False)

위에서 OneHotEncoder와 CountVectorizer에 전달하는 인수의 형식이 다른 것은 각각 전달하는 인수는 2차원과 1차원으로 다르기 때문입니다. 그러므로 'city'의 경우 리스트 형식으로 전달해야 합니다.

 Coltran.get_feature_names_out()

array(['city_London', 'city_Paris', 'city_Sallisaw', 'bow', 'feast',
       'grapes', 'his', 'how', 'last', 'learned', 'moveable', 'of', 'the',
       'trick', 'watson', 'wrath'], dtype=object)

Coltran.transform(X).toarray()

array([[1, 0, 0, 1, 0, 0, 1, 0, 1, 0, 0, 0, 0, 0, 0, 0],
       [1, 0, 0, 0, 0, 0, 0, 1, 0, 1, 0, 0, 1, 1, 1, 0],
       [0, 1, 0, 0, 1, 0, 0, 0, 0, 0, 1, 0, 0, 0, 0, 0],
       [0, 0, 1, 0, 0, 1, 0, 0, 0, 0, 0, 1, 1, 0, 0, 1]])

transformer에 지정하는 열은 여러 항목의 목록, 정수 배열, 슬라이스, boolean mask(논리 연산자에 의한 추출 등) 또는 make_column_selector를 사용하여 지정할 수 있습니다. make_column_selector는 데이터 유형 또는 열 이름을 기반으로 열을 선택하는 데 사용됩니다.

sklearn.compose.make_column_selector(pattern=None, *, dtype_include=None, dtype_exclude=None)

• datatype 또는 정규식으로 표현되는 열이름을 기반으로 열을 선택
• pattern: 정규식에 의한 패턴에 따라 열을 선택
• dtype_include: 열의 자료형 dtype에 따라 선택
• dtype_exclude: 선택 기준에서 dtype은 배제

열(column)을 선택하기 위한 make_column_selector() 클래스는 DataFrame.select_dtypes(include=None) 메서드로 대신할 수 있습니다. 이 메서드는 객체 중에 선택되는 열만을 추출하여 반환합니다. 그러므로 ColumnTransformer()에 인수로 전달하기 위해서는 이 결과의 열이름(columns)을 전달합니다.

다음 코드 Coltrans2에서 make_column_selector(dtype_include=np.number)는 X.select_dtypes(include=np.number).columns으로 대치할 수 있습니다.

 from sklearn.compose import make_column_selector
from sklearn.preprocessing import StandardScaler
Coltrans2=ColumnTransformer([('scale', StandardScaler(), make_column_selector(dtype_include=np.number)),
                             ('onehot', OneHotEncoder(dtype=int), ['city']), 
                            ('vector', CountVectorizer(), 'title')])
Coltrans2.fit(X)
re=Coltrans2.transform(X)
re

array([[ 0.90453403,  0.        ,  1.        ,  0.        ,  0.        ,
         1.        ,  0.        ,  0.        ,  1.        ,  0.        ,
         1.        ,  0.        ,  0.        ,  0.        ,  0.        ,
         0.        ,  0.        ,  0.        ],
       ⋮,
       [ 0.90453403, -1.41421356,  0.        ,  0.        ,  1.        ,
         0.        ,  0.        ,  1.        ,  0.        ,  0.        ,
         0.        ,  0.        ,  0.        ,  1.        ,  1.        ,
         0.        ,  0.        ,  1.        ]])

make_column_transformer()함수는 클래스 ColumnTransformer()을 대신할 수 있습니다. 이 함수는 변환 대상을 위한 이름들은 자동으로 지정됩니다.

from sklearn.compose import make_column_transformer
Coltrans3=make_column_transformer((OneHotEncoder(), ['city']),(CountVectorizer(), 'title'), 
                                  (StandardScaler(), make_column_selector(dtype_include=np.number)))
Coltrans3.fit_transform(X)

array([[ 1.        ,  0.        ,  0.        ,  1.        ,  0.        ,
         0.        ,  1.        ,  0.        ,  1.        ,  0.        ,
         0.        ,  0.        ,  0.        ,  0.        ,  0.        ,
         0.        ,  0.90453403,  0.        ],
       ⋮,
       [ 0.        ,  0.        ,  1.        ,  0.        ,  0.        ,
         1.        ,  0.        ,  0.        ,  0.        ,  0.        ,
         0.        ,  1.        ,  1.        ,  0.        ,  0.        ,
         1.        ,  0.90453403, -1.41421356]])

Coltrans4=make_column_transformer((OneHotEncoder(), ['city']),(CountVectorizer(), 'title'),
                                  remainder=StandardScaler())
Coltrans4.fit_transform(X)

array([[ 1.        ,  0.        ,  0.        ,  1.        ,  0.        ,
         0.        ,  1.        ,  0.        ,  1.        ,  0.        ,
         0.        ,  0.        ,  0.        ,  0.        ,  0.        ,
         0.        ,  0.90453403,  0.        ],
      ⋮,
       [ 0.        ,  0.        ,  1.        ,  0.        ,  0.        ,
         1.        ,  0.        ,  0.        ,  0.        ,  0.        ,
         0.        ,  1.        ,  1.        ,  0.        ,  0.        ,
         1.        ,  0.90453403, -1.41421356]])