imputers 缺失值填充器#

用于填充输入数据中缺失值的组件。

子模块#

包内容#

类摘要#

`Imputer`	根据指定的填充策略填充缺失数据。
`KNNImputer`	使用 KNN 根据指定的近邻数量填充缺失数据。忽略自然语言列。
`PerColumnImputer`	根据每列指定的填充策略填充缺失数据。
`SimpleImputer`	根据指定的填充策略填充缺失数据。忽略自然语言列。
`TargetImputer`	根据指定的填充策略填充缺失目标数据。
`TimeSeriesImputer`	根据指定的时间序列特定填充策略填充缺失数据。

目录#

class evalml.pipelines.components.transformers.imputers.Imputer(categorical_impute_strategy='most_frequent', categorical_fill_value=None, numeric_impute_strategy='mean', numeric_fill_value=None, boolean_impute_strategy='most_frequent', boolean_fill_value=None, random_seed=0, **kwargs)[source]#

根据指定的填充策略填充缺失数据。

参数

categorical_impute_strategy (string) – 用于字符串、对象、布尔值、类别dtypes的填充策略。有效值包括“most_frequent”和“constant”。
numeric_impute_strategy (string) – 用于数值列的填充策略。有效值包括“mean”、“median”、“most_frequent”和“constant”。
boolean_impute_strategy (string) – 用于布尔列的填充策略。有效值包括“most_frequent”和“constant”。
categorical_fill_value (string) – 当 categorical_impute_strategy == “constant” 时，使用 fill_value 替换缺失数据。默认值 None 将填充字符串“missing_value”。
numeric_fill_value (int, float) – 当 numeric_impute_strategy == “constant” 时，使用 fill_value 替换缺失数据。默认值 None 将填充 0。
boolean_fill_value (bool) – 当 boolean_impute_strategy == “constant” 时，使用 fill_value 替换缺失数据。默认值 None 将填充 True。
random_seed (int) – 随机数生成器的种子。默认为 0。

属性

hyperparameter_ranges	{ “categorical_impute_strategy”: [“most_frequent”], “numeric_impute_strategy”: [“mean”, “median”, “most_frequent”, “knn”], “boolean_impute_strategy”: [“most_frequent”]}
modifies_features	True
modifies_target	False
name	Imputer
training_only	False

方法

`clone`	构造一个具有相同参数和随机状态的新组件。
`default_parameters`	返回此组件的默认参数。
`describe`	描述一个组件及其参数。
`fit`	将填充器拟合到数据。'None' 值在填充前转换为 np.nan，并被视为相同。
`fit_transform`	在 X 上拟合并转换 X。
`load`	从文件路径加载组件。
`needs_fitting`	返回布尔值，指示组件在调用 predict、predict_proba、transform 或 feature_importances 之前是否需要拟合。
`parameters`	返回用于初始化组件的参数。
`save`	将组件保存到文件路径。
`transform`	通过填充缺失值来转换数据 X。
`update_parameters`	更新组件的参数字典。

clone(self)#

构造一个具有相同参数和随机状态的新组件。

返回: 具有相同参数和随机状态的此组件的新实例。

default_parameters(cls)#

返回此组件的默认参数。

我们的约定是 Component.default_parameters == Component().parameters。

返回: 此组件的默认参数。
返回类型: dict

describe(self, print_name=False, return_dict=False)#

描述一个组件及其参数。

参数

print_name (bool, optional) – 是否打印组件名称
return_dict (bool, optional) – 是否以字典格式 {“name”: name, “parameters”: parameters} 返回描述

返回

如果 return_dict 为 True，则返回字典，否则返回 None。

返回类型

None or dict

fit(self, X, y=None)[source]#

将填充器拟合到数据。'None' 值在填充前转换为 np.nan，并被视为相同。

参数

X (pd.DataFrame, np.ndarray) – 形状为 [n_samples, n_features] 的输入训练数据
y (pd.Series, optional) – 长度为 [n_samples] 的目标训练数据

返回

self

fit_transform(self, X, y=None)#

在 X 上拟合并转换 X。

参数

X (pd.DataFrame) – 用于拟合和转换的数据。
y (pd.Series) – 目标数据。

返回

转换后的 X。

返回类型

pd.DataFrame

引发

MethodPropertyNotFoundError – 如果转换器没有 transform 方法或实现 transform 的 component_obj。

static load(file_path)#

从文件路径加载组件。

参数: file_path (str) – 加载文件的位置。
返回: ComponentBase 对象

needs_fitting(self)#

返回布尔值，指示组件在调用 predict、predict_proba、transform 或 feature_importances 之前是否需要拟合。

对于不需要拟合或其拟合方法不执行任何操作的组件，可以将其覆盖为 False。

返回: True.

property parameters(self)#: 返回用于初始化组件的参数。

save(self, file_path, pickle_protocol=cloudpickle.DEFAULT_PROTOCOL)#

将组件保存到文件路径。

参数

file_path (str) – 保存文件的位置。
pickle_protocol (int) – pickle 数据流格式。

transform(self, X, y=None)[source]#

通过填充缺失值来转换数据 X。

参数

X (pd.DataFrame) – 要转换的数据
y (pd.Series, optional) – 忽略。

返回

转换后的 X

返回类型

pd.DataFrame

update_parameters(self, update_dict, reset_fit=True)#

更新组件的参数字典。

参数

update_dict (dict) – 要更新的参数字典。
reset_fit (bool, optional) – 如果为 True，将设置 _is_fitted 为 False。

class evalml.pipelines.components.transformers.imputers.KNNImputer(number_neighbors=3, random_seed=0, **kwargs)[source]#

使用 KNN 根据指定的近邻数量填充缺失数据。忽略自然语言列。

参数

number_neighbors (int) – KNN 搜索的最近邻居数量。默认为 3。
random_seed (int) – 随机数生成器的种子。默认为 0。

属性

modifies_features	True
modifies_target	False
name	KNN 填充器
training_only	False

方法

`clone`	构造一个具有相同参数和随机状态的新组件。
`default_parameters`	返回此组件的默认参数。
`describe`	描述一个组件及其参数。
`fit`	将填充器拟合到数据。'None' 值在填充前转换为 np.nan，并被视为相同。
`fit_transform`	在 X 上拟合并转换 X。
`load`	从文件路径加载组件。
`needs_fitting`	返回布尔值，指示组件在调用 predict、predict_proba、transform 或 feature_importances 之前是否需要拟合。
`parameters`	返回用于初始化组件的参数。
`save`	将组件保存到文件路径。
`transform`	通过填充缺失值来转换输入。'None' 和 np.nan 值被视为相同。
`update_parameters`	更新组件的参数字典。

clone(self)#

构造一个具有相同参数和随机状态的新组件。

返回: 具有相同参数和随机状态的此组件的新实例。

default_parameters(cls)#

返回此组件的默认参数。

我们的约定是 Component.default_parameters == Component().parameters。

返回: 此组件的默认参数。
返回类型: dict

describe(self, print_name=False, return_dict=False)#

描述一个组件及其参数。

参数

print_name (bool, optional) – 是否打印组件名称
return_dict (bool, optional) – 是否以字典格式 {“name”: name, “parameters”: parameters} 返回描述

返回

如果 return_dict 为 True，则返回字典，否则返回 None。

返回类型

None or dict

fit(self, X, y=None)[source]#

将填充器拟合到数据。'None' 值在填充前转换为 np.nan，并被视为相同。

参数

X (pd.DataFrame or np.ndarray) – 形状为 [n_samples, n_features] 的输入训练数据
y (pd.Series, optional) – 长度为 [n_samples] 的目标训练数据

返回

self

引发

ValueError – 如果 KNNImputer 接收到的 DataFrame 同时包含布尔和类别数据。

fit_transform(self, X, y=None)[source]#

在 X 上拟合并转换 X。

参数

X (pd.DataFrame) – 要拟合和转换的数据
y (pd.Series, optional) – 目标数据。

返回

转换后的 X

返回类型

pd.DataFrame

static load(file_path)#

从文件路径加载组件。

参数: file_path (str) – 加载文件的位置。
返回: ComponentBase 对象

needs_fitting(self)#

返回布尔值，指示组件在调用 predict、predict_proba、transform 或 feature_importances 之前是否需要拟合。

对于不需要拟合或其拟合方法不执行任何操作的组件，可以将其覆盖为 False。

返回: True.

property parameters(self)#: 返回用于初始化组件的参数。

save(self, file_path, pickle_protocol=cloudpickle.DEFAULT_PROTOCOL)#

将组件保存到文件路径。

参数

file_path (str) – 保存文件的位置。
pickle_protocol (int) – pickle 数据流格式。

transform(self, X, y=None)[source]#

通过填充缺失值来转换输入。'None' 和 np.nan 值被视为相同。

参数

X (pd.DataFrame) – 要转换的数据。
y (pd.Series, optional) – 忽略。

返回

转换后的 X

返回类型

pd.DataFrame

update_parameters(self, update_dict, reset_fit=True)#

更新组件的参数字典。

参数

update_dict (dict) – 要更新的参数字典。
reset_fit (bool, optional) – 如果为 True，将设置 _is_fitted 为 False。

class evalml.pipelines.components.transformers.imputers.PerColumnImputer(impute_strategies=None, random_seed=0, **kwargs)[source]#

根据每列指定的填充策略填充缺失数据。

参数

impute_strategies (dict) – 列与 {“impute_strategy”: strategy, “fill_value”:value} 的配对。对于数值数据，填充策略的有效值包括“mean”、“median”、“most_frequent”、“constant”；对于对象数据类型，有效值包括“most_frequent”、“constant”。默认为 None，此时所有列都使用“most_frequent”。当 impute_strategy == “constant” 时，使用 fill_value 替换缺失数据。当为 None 时，数值数据填充 0，字符串或对象数据类型填充“missing_value”。
random_seed (int) – 随机数生成器的种子。默认为 0。

属性

hyperparameter_ranges	{}
modifies_features	True
modifies_target	False
name	按列填充器
training_only	False

方法

`clone`	构造一个具有相同参数和随机状态的新组件。
`default_parameters`	返回此组件的默认参数。
`describe`	描述一个组件及其参数。
`fit`	在输入数据上拟合填充器。
`fit_transform`	在 X 上拟合并转换 X。
`load`	从文件路径加载组件。
`needs_fitting`	返回布尔值，指示组件在调用 predict、predict_proba、transform 或 feature_importances 之前是否需要拟合。
`parameters`	返回用于初始化组件的参数。
`save`	将组件保存到文件路径。
`transform`	通过填充缺失值来转换输入数据。
`update_parameters`	更新组件的参数字典。

clone(self)#

构造一个具有相同参数和随机状态的新组件。

返回: 具有相同参数和随机状态的此组件的新实例。

default_parameters(cls)#

返回此组件的默认参数。

我们的约定是 Component.default_parameters == Component().parameters。

返回: 此组件的默认参数。
返回类型: dict

describe(self, print_name=False, return_dict=False)#

描述一个组件及其参数。

参数

print_name (bool, optional) – 是否打印组件名称
return_dict (bool, optional) – 是否以字典格式 {“name”: name, “parameters”: parameters} 返回描述

返回

如果 return_dict 为 True，则返回字典，否则返回 None。

返回类型

None or dict

fit(self, X, y=None)[source]#

在输入数据上拟合填充器。

参数

X (pd.DataFrame or np.ndarray) – 用于拟合的、形状为 [n_samples, n_features] 的输入训练数据。
y (pd.Series, optional) – 长度为 [n_samples] 的目标训练数据。忽略。

返回

self

fit_transform(self, X, y=None)#

在 X 上拟合并转换 X。

参数

X (pd.DataFrame) – 用于拟合和转换的数据。
y (pd.Series) – 目标数据。

返回

转换后的 X。

返回类型

pd.DataFrame

引发

MethodPropertyNotFoundError – 如果转换器没有 transform 方法或实现 transform 的 component_obj。

static load(file_path)#

从文件路径加载组件。

参数: file_path (str) – 加载文件的位置。
返回: ComponentBase 对象

needs_fitting(self)#

返回布尔值，指示组件在调用 predict、predict_proba、transform 或 feature_importances 之前是否需要拟合。

对于不需要拟合或其拟合方法不执行任何操作的组件，可以将其覆盖为 False。

返回: True.

property parameters(self)#: 返回用于初始化组件的参数。

save(self, file_path, pickle_protocol=cloudpickle.DEFAULT_PROTOCOL)#

将组件保存到文件路径。

参数

file_path (str) – 保存文件的位置。
pickle_protocol (int) – pickle 数据流格式。

transform(self, X, y=None)[source]#

通过填充缺失值来转换输入数据。

参数

X (pd.DataFrame or np.ndarray) – 用于转换的、形状为 [n_samples, n_features] 的输入训练数据。
y (pd.Series, optional) – 长度为 [n_samples] 的目标训练数据。忽略。

返回

转换后的 X

返回类型

pd.DataFrame

update_parameters(self, update_dict, reset_fit=True)#

更新组件的参数字典。

参数

update_dict (dict) – 要更新的参数字典。
reset_fit (bool, optional) – 如果为 True，将设置 _is_fitted 为 False。

class evalml.pipelines.components.transformers.imputers.SimpleImputer(impute_strategy='most_frequent', fill_value=None, random_seed=0, **kwargs)[source]#

根据指定的填充策略填充缺失数据。忽略自然语言列。

参数

impute_strategy (string) – 要使用的填充策略。对于数值数据，有效值包括“mean”、“median”、“most_frequent”、“constant”；对于对象数据类型，有效值包括“most_frequent”、“constant”。
fill_value (string) – 当 impute_strategy == “constant” 时，使用 fill_value 替换缺失数据。数值数据默认填充 0，字符串或对象数据类型默认填充“missing_value”。
random_seed (int) – 随机数生成器的种子。默认为 0。

属性

hyperparameter_ranges	{ “impute_strategy”: [“mean”, “median”, “most_frequent”]}
modifies_features	True
modifies_target	False
name	简单填充器
training_only	False

方法

`clone`	构造一个具有相同参数和随机状态的新组件。
`default_parameters`	返回此组件的默认参数。
`describe`	描述一个组件及其参数。
`fit`	将填充器拟合到数据。'None' 值在填充前转换为 np.nan，并被视为相同。
`fit_transform`	在 X 上拟合并转换 X。
`load`	从文件路径加载组件。
`needs_fitting`	返回布尔值，指示组件在调用 predict、predict_proba、transform 或 feature_importances 之前是否需要拟合。
`parameters`	返回用于初始化组件的参数。
`save`	将组件保存到文件路径。
`transform`	通过填充缺失值来转换输入。'None' 和 np.nan 值被视为相同。
`update_parameters`	更新组件的参数字典。

clone(self)#

构造一个具有相同参数和随机状态的新组件。

返回: 具有相同参数和随机状态的此组件的新实例。

default_parameters(cls)#

返回此组件的默认参数。

我们的约定是 Component.default_parameters == Component().parameters。

返回: 此组件的默认参数。
返回类型: dict

describe(self, print_name=False, return_dict=False)#

描述一个组件及其参数。

参数

print_name (bool, optional) – 是否打印组件名称
return_dict (bool, optional) – 是否以字典格式 {“name”: name, “parameters”: parameters} 返回描述

返回

如果 return_dict 为 True，则返回字典，否则返回 None。

返回类型

None or dict

fit(self, X, y=None)[source]#

将填充器拟合到数据。'None' 值在填充前转换为 np.nan，并被视为相同。

参数

X (pd.DataFrame or np.ndarray) – 形状为 [n_samples, n_features] 的输入训练数据
y (pd.Series, optional) – 长度为 [n_samples] 的目标训练数据

返回

self

引发

ValueError – 如果 SimpleImputer 接收到的 DataFrame 同时包含布尔和类别数据。

fit_transform(self, X, y=None)[source]#

在 X 上拟合并转换 X。

参数

X (pd.DataFrame) – 要拟合和转换的数据
y (pd.Series, optional) – 目标数据。

返回

转换后的 X

返回类型

pd.DataFrame

static load(file_path)#

从文件路径加载组件。

参数: file_path (str) – 加载文件的位置。
返回: ComponentBase 对象

needs_fitting(self)#

返回布尔值，指示组件在调用 predict、predict_proba、transform 或 feature_importances 之前是否需要拟合。

对于不需要拟合或其拟合方法不执行任何操作的组件，可以将其覆盖为 False。

返回: True.

property parameters(self)#: 返回用于初始化组件的参数。

save(self, file_path, pickle_protocol=cloudpickle.DEFAULT_PROTOCOL)#

将组件保存到文件路径。

参数

file_path (str) – 保存文件的位置。
pickle_protocol (int) – pickle 数据流格式。

transform(self, X, y=None)[source]#

通过填充缺失值来转换输入。'None' 和 np.nan 值被视为相同。

参数

X (pd.DataFrame) – 要转换的数据。
y (pd.Series, optional) – 忽略。

返回

转换后的 X

返回类型

pd.DataFrame

update_parameters(self, update_dict, reset_fit=True)#

更新组件的参数字典。

参数

update_dict (dict) – 要更新的参数字典。
reset_fit (bool, optional) – 如果为 True，将设置 _is_fitted 为 False。

class evalml.pipelines.components.transformers.imputers.TargetImputer(impute_strategy='most_frequent', fill_value=None, random_seed=0, **kwargs)[source]#

根据指定的填充策略填充缺失目标数据。

参数

impute_strategy (string) – 要使用的填充策略。对于数值数据，有效值包括“mean”、“median”、“most_frequent”、“constant”；对于对象数据类型，有效值包括“most_frequent”、“constant”。默认为“most_frequent”。
fill_value (string) – 当 impute_strategy == “constant” 时，使用 fill_value 替换缺失数据。默认为 None，此时数值数据填充 0，字符串或对象数据类型填充“missing_value”。
random_seed (int) – 随机数生成器的种子。默认为 0。

属性

hyperparameter_ranges	{ “impute_strategy”: [“mean”, “median”, “most_frequent”]}
modifies_features	False
modifies_target	True
name	目标填充器
training_only	False

方法

`clone`	构造一个具有相同参数和随机状态的新组件。
`default_parameters`	返回此组件的默认参数。
`describe`	描述一个组件及其参数。
`fit`	将填充器拟合到目标数据。'None' 值在填充前转换为 np.nan，并被视为相同。
`fit_transform`	拟合并转换输入目标数据。
`load`	从文件路径加载组件。
`needs_fitting`	返回布尔值，指示组件在调用 predict、predict_proba、transform 或 feature_importances 之前是否需要拟合。
`parameters`	返回用于初始化组件的参数。
`save`	将组件保存到文件路径。
`transform`	通过填充缺失值来转换输入目标数据。'None' 和 np.nan 值被视为相同。
`update_parameters`	更新组件的参数字典。

clone(self)#

构造一个具有相同参数和随机状态的新组件。

返回: 具有相同参数和随机状态的此组件的新实例。

default_parameters(cls)#

返回此组件的默认参数。

我们的约定是 Component.default_parameters == Component().parameters。

返回: 此组件的默认参数。
返回类型: dict

describe(self, print_name=False, return_dict=False)#

描述一个组件及其参数。

参数

print_name (bool, optional) – 是否打印组件名称
return_dict (bool, optional) – 是否以字典格式 {“name”: name, “parameters”: parameters} 返回描述

返回

如果 return_dict 为 True，则返回字典，否则返回 None。

返回类型

None or dict

fit(self, X, y)[source]#

将填充器拟合到目标数据。'None' 值在填充前转换为 np.nan，并被视为相同。

参数

X (pd.DataFrame or np.ndarray) – 形状为 [n_samples, n_features] 的输入训练数据。忽略。
y (pd.Series, optional) – 长度为 [n_samples] 的目标训练数据。

返回

self

引发

TypeError – 如果目标列全部为 null 值。

fit_transform(self, X, y)[source]#

拟合并转换输入目标数据。

参数

X (pd.DataFrame) – 特征。忽略。
y (pd.Series) – 要填充的目标数据。

返回

原始 X，转换后的 y

返回类型

(pd.DataFrame, pd.Series)

static load(file_path)#

从文件路径加载组件。

参数: file_path (str) – 加载文件的位置。
返回: ComponentBase 对象

needs_fitting(self)#

返回布尔值，指示组件在调用 predict、predict_proba、transform 或 feature_importances 之前是否需要拟合。

对于不需要拟合或其拟合方法不执行任何操作的组件，可以将其覆盖为 False。

返回: True.

property parameters(self)#: 返回用于初始化组件的参数。

save(self, file_path, pickle_protocol=cloudpickle.DEFAULT_PROTOCOL)#

将组件保存到文件路径。

参数

file_path (str) – 保存文件的位置。
pickle_protocol (int) – pickle 数据流格式。

transform(self, X, y)[source]#

通过填充缺失值来转换输入目标数据。'None' 和 np.nan 值被视为相同。

参数

X (pd.DataFrame) – 特征。忽略。
y (pd.Series) – 要填充的目标数据。

返回

原始 X，转换后的 y

返回类型

(pd.DataFrame, pd.Series)

update_parameters(self, update_dict, reset_fit=True)#

更新组件的参数字典。

参数

update_dict (dict) – 要更新的参数字典。
reset_fit (bool, optional) – 如果为 True，将设置 _is_fitted 为 False。

class evalml.pipelines.components.transformers.imputers.TimeSeriesImputer(categorical_impute_strategy='forwards_fill', numeric_impute_strategy='interpolate', target_impute_strategy='forwards_fill', random_seed=0, **kwargs)[source]#

根据指定的时间序列特定填充策略填充缺失数据。

此转换器应在 TimeSeriesRegularizer 之后使用，以便填充添加到 X 和 y（如果传入）中的缺失值。

参数

categorical_impute_strategy (string) – 用于字符串、对象、布尔值、类别dtypes的填充策略。有效值包括“backwards_fill”和“forwards_fill”。默认为“forwards_fill”。
numeric_impute_strategy (string) – 用于数值列的填充策略。有效值包括“backwards_fill”、“forwards_fill”和“interpolate”。默认为“interpolate”。
target_impute_strategy (string) – 用于目标列的填充策略。有效值包括“backwards_fill”、“forwards_fill”和“interpolate”。默认为“forwards_fill”。
random_seed (int) – 随机数生成器的种子。默认为 0。

引发

ValueError – 如果 categorical_impute_strategy、numeric_impute_strategy 或 target_impute_strategy 不是有效值之一。

属性

hyperparameter_ranges	{ “categorical_impute_strategy”: [“backwards_fill”, “forwards_fill”], “numeric_impute_strategy”: [“backwards_fill”, “forwards_fill”, “interpolate”], “target_impute_strategy”: [“backwards_fill”, “forwards_fill”, “interpolate”],}
modifies_features	True
modifies_target	True
name	时间序列填充器
training_only	True

方法

`clone`	构造一个具有相同参数和随机状态的新组件。
`default_parameters`	返回此组件的默认参数。
`describe`	描述一个组件及其参数。
`fit`	将填充器拟合到数据。
`fit_transform`	在 X 上拟合并转换 X。
`load`	从文件路径加载组件。
`needs_fitting`	返回布尔值，指示组件在调用 predict、predict_proba、transform 或 feature_importances 之前是否需要拟合。
`parameters`	返回用于初始化组件的参数。
`save`	将组件保存到文件路径。
`transform`	使用指定的时间序列特定策略通过填充缺失值来转换数据 X。'None' 值在填充前转换为 np.nan，并被视为相同。
`update_parameters`	更新组件的参数字典。

clone(self)#

构造一个具有相同参数和随机状态的新组件。

返回: 具有相同参数和随机状态的此组件的新实例。

default_parameters(cls)#

返回此组件的默认参数。

我们的约定是 Component.default_parameters == Component().parameters。

返回: 此组件的默认参数。
返回类型: dict

describe(self, print_name=False, return_dict=False)#

描述一个组件及其参数。

参数

print_name (bool, optional) – 是否打印组件名称
return_dict (bool, optional) – 是否以字典格式 {“name”: name, “parameters”: parameters} 返回描述

返回

如果 return_dict 为 True，则返回字典，否则返回 None。

返回类型

None or dict

fit(self, X, y=None)[source]#

将填充器拟合到数据。

‘None’ 值在填充前转换为 np.nan，并被视为相同。如果列的开头或结尾缺少值，将分别根据需要使用向后填充或向前填充来填充该值。

参数

X (pd.DataFrame, np.ndarray) – 形状为 [n_samples, n_features] 的输入训练数据
y (pd.Series, optional) – 长度为 [n_samples] 的目标训练数据

返回

self

fit_transform(self, X, y=None)#

在 X 上拟合并转换 X。

参数

X (pd.DataFrame) – 用于拟合和转换的数据。
y (pd.Series) – 目标数据。

返回

转换后的 X。

返回类型

pd.DataFrame

引发

MethodPropertyNotFoundError – 如果转换器没有 transform 方法或实现 transform 的 component_obj。

static load(file_path)#

从文件路径加载组件。

参数: file_path (str) – 加载文件的位置。
返回: ComponentBase 对象

needs_fitting(self)#

返回布尔值，指示组件在调用 predict、predict_proba、transform 或 feature_importances 之前是否需要拟合。

对于不需要拟合或其拟合方法不执行任何操作的组件，可以将其覆盖为 False。

返回: True.

property parameters(self)#: 返回用于初始化组件的参数。

save(self, file_path, pickle_protocol=cloudpickle.DEFAULT_PROTOCOL)#

将组件保存到文件路径。

参数

file_path (str) – 保存文件的位置。
pickle_protocol (int) – pickle 数据流格式。

transform(self, X, y=None)[source]#

使用指定的时间序列特定策略通过填充缺失值来转换数据 X。'None' 值在填充前转换为 np.nan，并被视为相同。

参数

X (pd.DataFrame) – 要转换的数据。
y (pd.Series, optional) – 可选的，要转换的目标数据。

返回

转换后的 X 和 y

返回类型

pd.DataFrame

update_parameters(self, update_dict, reset_fit=True)#

更新组件的参数字典。

参数

update_dict (dict) – 要更新的参数字典。
reset_fit (bool, optional) – 如果为 True，将设置 _is_fitted 为 False。