我似乎在尝试将数值（连续）特征与因子结合时遇到了问题。我使用Pandas数据框作为模型的输入。目前，我的代码可以处理像’gender’这样的因子，这些因子可以使用内置的转换器轻松转换：

('gender', Pipeline([('selector', ColumnSelector(column='gender')),('dict', DictTransformer()),('vect', DictVectorizer(sparse=False))]))

但是，当我尝试像下面这样将它与一个数值因子（例如，latitude）结合时，

('latitude', Pipeline([('selector', ColumnSelector(column='latitude')),('scaler', StandardScaler())]))

我得到了一个错误：

ValueError: all the input arrays must have same number of dimensions

这是我的ColumnSelector()的代码：

class ColumnSelector(TransformerMixin):    """    Class for building sklearn Pipeline step. This class should be used to select a column from a pandas data frame.    """    def __init__(self, column):        self.column = column    def fit(self, x, y=None):        return self    def transform(self, data_frame):        return data_frame[self.column]

显然，我在这里错过了什么重要的东西。有什么想法吗？

回答：

在FeatureUnion中使用Pipeline应该可以工作。这里的问题很可能与ColumnSelector的实现有关。请注意，每次转换时它会输出一个单维结构；然而，scikit-learn中的接口通常期望输入为2D形状，即(n_sample, n_feature)。

假设ColumnSelector的输入是一个pandas数据框，尝试将代码更改为：

class ColumnSelector(TransformerMixin):   ...   def transform(self, data_frame):       return data_frame[[self.column]]

这将使转换后的输出具有2D形状。

在内部，FeatureUnion使用hstack来执行特征矩阵的组合。这是一个最小的示例，导致hstack以问题中描述的方式抱怨维度不匹配：

import numpy as npa = np.array([[1,0],              [0,1]])b = np.array([2,3])print np.hstack((a,b))# ValueError: all the input arrays must have same number of dimensions

然而，这可以工作：

print np.hstack((a, b[:, np.newaxis]))# array([[1, 0, 2],#        [0, 1, 3]])

因为现在b[:, np.newaxis]具有两个维度。