Evalml: Imputer tidak bisa muat ketika tidak ada dalam kolom kategoris atau boolean

Dibuat pada 19 Agu 2020  ·  3Komentar  ·  Sumber: alteryx/evalml

Reproduksi

from evalml.pipelines.components import Imputer
df = pd.DataFrame({"a": [1, 2, 3], "b": ["1", "2", None]})
imputer = Imputer()
imputer.fit(df)
from evalml.pipelines.components import Imputer
df_with_bool = pd.DataFrame({"a": [1, 2, 3], "b": [True, False, None]})
imputer = Imputer()
imputer.fit(df_with_bool)

Keduanya memiliki stacktrace yang sama:

---------------------------------------------------------------------------
TypeError                                 Traceback (most recent call last)
<ipython-input-69-9af4cfc17aec> in <module>
      1 df_with_bool = pd.DataFrame({"a": [1, 2, 3], "b": [True, False, None]})
      2 imputer = Imputer()
----> 3 imputer.fit(df_with_bool)

~/sources/evalml/evalml/utils/base_meta.py in _set_fit(self, X, y)
     12         @wraps(method)
     13         def _set_fit(self, X, y=None):
---> 14             return_value = method(self, X, y)
     15             self._is_fitted = True
     16             return return_value

~/sources/evalml/evalml/pipelines/components/transformers/imputers/imputer.py in fit(self, X, y)
     76         X_categorical = X_null_dropped.select_dtypes(include=categorical_dtypes + boolean)
     77         if len(X_categorical.columns) > 0:
---> 78             self._categorical_imputer.fit(X_categorical, y)
     79             self._categorical_cols = X_categorical.columns
     80         return self

~/sources/evalml/evalml/utils/base_meta.py in _set_fit(self, X, y)
     12         @wraps(method)
     13         def _set_fit(self, X, y=None):
---> 14             return_value = method(self, X, y)
     15             self._is_fitted = True
     16             return return_value

~/sources/evalml/evalml/pipelines/components/transformers/imputers/simple_imputer.py in fit(self, X, y)
     42         if not isinstance(X, pd.DataFrame):
     43             X = pd.DataFrame(X)
---> 44         self._component_obj.fit(X, y)
     45         self._all_null_cols = set(X.columns) - set(X.dropna(axis=1, how='all').columns)
     46         return self

~/miniconda3/envs/evalml/lib/python3.8/site-packages/sklearn/impute/_base.py in fit(self, X, y)
    300                                                     fill_value)
    301         else:
--> 302             self.statistics_ = self._dense_fit(X,
    303                                                self.strategy,
    304                                                self.missing_values,

~/miniconda3/envs/evalml/lib/python3.8/site-packages/sklearn/impute/_base.py in _dense_fit(self, X, strategy, missing_values, fill_value)
    384                 row_mask = np.logical_not(row_mask).astype(np.bool)
    385                 row = row[row_mask]
--> 386                 most_frequent[i] = _most_frequent(row, np.nan, 0)
    387 
    388             return most_frequent

~/miniconda3/envs/evalml/lib/python3.8/site-packages/sklearn/impute/_base.py in _most_frequent(array, extra_value, n_repeat)
     40             # has already been NaN-masked.
     41             warnings.simplefilter("ignore", RuntimeWarning)
---> 42             mode = stats.mode(array)
     43 
     44         most_frequent_value = mode[0][0]

~/miniconda3/envs/evalml/lib/python3.8/site-packages/scipy/stats/stats.py in mode(a, axis, nan_policy)
    498     counts = np.zeros(a_view.shape[:-1], dtype=np.int)
    499     for ind in inds:
--> 500         modes[ind], counts[ind] = _mode1D(a_view[ind])
    501     newshape = list(a.shape)
    502     newshape[axis] = 1

~/miniconda3/envs/evalml/lib/python3.8/site-packages/scipy/stats/stats.py in _mode1D(a)
    485 
    486     def _mode1D(a):
--> 487         vals, cnts = np.unique(a, return_counts=True)
    488         return vals[cnts.argmax()], cnts.max()
    489 

<__array_function__ internals> in unique(*args, **kwargs)

~/miniconda3/envs/evalml/lib/python3.8/site-packages/numpy/lib/arraysetops.py in unique(ar, return_index, return_inverse, return_counts, axis)
    259     ar = np.asanyarray(ar)
    260     if axis is None:
--> 261         ret = _unique1d(ar, return_index, return_inverse, return_counts)
    262         return _unpack_tuple(ret)
    263 

~/miniconda3/envs/evalml/lib/python3.8/site-packages/numpy/lib/arraysetops.py in _unique1d(ar, return_index, return_inverse, return_counts)
    320         aux = ar[perm]
    321     else:
--> 322         ar.sort()
    323         aux = ar
    324     mask = np.empty(aux.shape, dtype=np.bool_)

TypeError: '<' not supported between instances of 'NoneType' and 'bool'

Ini berfungsi ketika np.nan bukannya None

bug

Semua 3 komentar

@freddyaboulton terima kasih untuk reproduksi yang jelas! Tampaknya ini menjelaskan bug lain # 1092 juga.

Masalah
Jika ada fitur dalam kerangka data pandas yang memiliki tipe object dan berisi nilai None , Imputer gagal.

  1. X = pd.DataFrame({'feature1': [False, True, None, np.nan]}) membuat fitur dengan tipe object . Imputer.fit gagal.
  2. X = pd.DataFrame({'feature1': [False, True, np.nan]}) membuat fitur dengan tipe object . Imputer.fit berfungsi.
  3. X = pd.DataFrame({'feature1': [False, True]}) membuat fitur dengan tipe bool . Imputer.fit berfungsi.

Hal yang sama berlaku untuk tipe category . Situasi serupa terjadi untuk tipe string, meskipun kasus terakhir tidak berlaku.

Catatan
Hal yang membingungkan di sini adalah bahwa None dapat memiliki arti yang berbeda. Itu bisa sama dengan nan , atau bisa juga dimaksudkan sebagai kategorinya sendiri.

Saya pikir tidak apa-apa untuk memperlakukannya sebagai nan selama kita mendokumentasikan dan menjelaskan konvensi itu.

Solusi
Bersihkan None dari fitur bool/category/string: df = df.fillna(value=np.nan)

Memperbaiki
Jangka pendek:

  • Perbarui Imputer untuk mengganti None dengan np.nan
  • Perbarui dokumen API Imputer dan panduan pengguna automl untuk menyebutkan ini.
  • Tambahkan cakupan pengujian Imputer dengan penyertaan None dalam data, untuk semua tipe data yang dimaksud.

Kita bisa menambahkan DataCheck yang error jika ada None s dalam data. Tapi ini terasa tidak perlu karena None s dapat dengan mudah dikonversi.

Jangka panjang:
Setelah kami memperbarui evalml untuk menggunakan struktur data DataTable , pengguna akan dapat mengonfigurasi jenis setiap fitur sebelumnya. Saya harap ini berarti standardisasi akan membuat kesalahan semacam ini tidak relevan.

Apakah ini terkait dengan #540?

@ angela97lin 100% terkait... sebenarnya ini adalah tipuan. Ha ha. Kami bahkan memutuskan untuk meminta imputer mengonversi None s ke np.nan s.

Menutup #540 mendukung ini karena tulisan di sini lebih mutakhir.

Terima kasih!

Apakah halaman ini membantu?
0 / 5 - 0 peringkat