featuretools#

一个 Featuretools DFS 组件，用于为输入特征生成特征。

模块内容#

类摘要#

DFSTransformer

一个 Featuretools DFS 组件，用于为输入特征生成特征。

目录#

class evalml.pipelines.components.transformers.preprocessing.featuretools.DFSTransformer(index='index', features=None, random_seed=0, **kwargs)[source]#

一个 Featuretools DFS 组件，用于为输入特征生成特征。

参数

index (string) – 包含索引的列的名称。如果不存在此名称的列，则 featuretools.EntitySet() 会创建一个同名列作为索引列。默认为 'index'。
random_seed (int) – 随机数生成器的种子。默认为 0。
features (list) – 要运行 DFS 的特征列表。默认为 None。只有在特征所使用的列存在于输入中且特征本身不在输入中时，才会计算特征。如果 features 为空列表，则不会对输入数据进行转换。

属性

hyperparameter_ranges	{}
modifies_features	True
modifies_target	False
name	DFS 转换器
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。
`contains_pre_existing_features`	确定 DFS 转换器中的特征是否与管道输入特征匹配。
`default_parameters`	返回此组件的默认参数。
`describe`	描述组件及其参数。
`fit`	拟合 DFSTransformer 转换器组件。
`fit_transform`	在 X 上进行拟合并转换 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 featuretools 的 dfs 算法计算输入 X 的特征矩阵。
`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: 此组件的一个新实例，具有相同的参数和随机状态。

static contains_pre_existing_features(dfs_features: Optional[List[featuretools.feature_base.FeatureBase]], input_feature_names: List[str], target: Optional[str] = None)[source]#

确定 DFS 转换器中的特征是否与管道输入特征匹配。

参数

dfs_features (Optional[List[FeatureBase]]) – DFS 转换器输出的特征列表。
input_feature_names (List[str]) – 输入到 DFS 转换器的特征列表。
target (Optional[str]) – 我们试图预测其值的目标。这用于确定如果在 DFS 转换器的参数特征列表中存在目标列时要忽略哪个列。

default_parameters(cls)#

返回此组件的默认参数。

我们的惯例是 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 {“name”: name, “parameters”: parameters} 格式返回字典形式的描述

返回

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

返回类型

None 或 dict

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

拟合 DFSTransformer 转换器组件。

参数

X (pd.DataFrame, np.array) – 要转换的输入数据，形状为 [n_samples, n_features]。
y (pd.Series) – 长度为 [n_samples] 的目标训练数据。

返回

self

fit_transform(self, X, y=None)#

在 X 上进行拟合并转换 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 方法或实现了 transform 的 component_obj。

static load(file_path)#

从文件路径加载组件。

参数: file_path (str) – 文件加载位置。
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 fit 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) – 文件保存位置。
pickle_protocol (int) – Pickle 数据流格式。

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

使用 featuretools 的 dfs 算法计算输入 X 的特征矩阵。

参数

X (pd.DataFrame 或 np.ndarray) – 要转换的输入训练数据。形状为 [n_samples, n_features]
y (pd.Series, 可选) – 忽略。

返回

特征矩阵

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, 可选) – 如果为 True，则会将 _is_fitted 设置为 False。