如何为 PCA 创建管道？

问题描述

我正在研究一些 customer_data，作为第一步，我想要进行 PCA，然后进行聚类作为第二步。

由于在将数据提供给 PCA 之前需要完成编码（和缩放），我认为最好将它们全部放入管道中。 - 不幸的是，这似乎不起作用。

我如何创建这个管道，这样做是否有意义？

# Creating pipeline objects 
encoder = OneHotEncoder(drop='first')
scaler = StandardScaler(with_mean=False)
pca = PCA()

# Create pipeline
pca_pipe = make_pipeline(encoder,scaler,pca)

# Fit data to pipeline
pca_pipe.fit_transform(customer_data_raw)

我收到以下错误消息：

---------------------------------------------------------------------------
TypeError                                 Traceback (most recent call last)
<ipython-input-27-c4ce88042a66> in <module>()
     20 
     21 # Fit data to pipeline
---> 22 pca_pipe.fit_transform(customer_data_raw)

2 frames
/usr/local/lib/python3.7/dist-packages/sklearn/decomposition/_pca.py in _fit(self,X)
    385         # This is more informative than the generic one raised by check_array.
    386         if issparse(X):
--> 387             raise TypeError('PCA does not support sparse input. See '
    388                             'TruncatedSVD for a possible alternative.')
    389 

TypeError: PCA does not support sparse input. See TruncatedSVD for a possible alternative.

解决方法

OneHotEncoder 默认在变换时创建一个稀疏矩阵。从那里，错误消息非常简单：您可以尝试使用 TruncatedSVD 而不是 PCA。但是，如果您想坚持使用 sparse=False，您也可以在编码器中设置 PCA。

也就是说，您真的想对每个特征进行一次热编码吗？然后缩放这些虚拟变量？如果您想对某些特征进行编码并缩放其他特征，请考虑使用 ColumnTransformer。