首先必须适合管道,然后调用feature_names:
解
scaler = StandardScaler(with_mean=False)
enc = LabelEncoder()
y = enc.fit_transform(labels)
feat_sel = SelectKBest(mutual_info_classif, k=200)
clf = linear_model.LogisticRegression()
pipe = Pipeline([('vectorizer', DictVectorizer()),
('scaler', StandardScaler(with_mean=False)),
('mutual_info', feat_sel),
('logistregress', clf)])
# Now fit the pipeline using your data
pipe.fit(X, y)
#now can the pipe.named_steps
feature_names = pipe.named_steps['mutual_info']
X.columns[features.transform(np.arange(len(X.columns)))]
一般信息
anova_svm.set_params(anova__k=10, svc__C=.1).fit(X, y)
这设置了一些初始参数(anova的k参数和svc的C参数)
然后调用fit(X,y)以适应管道.
编辑:
对于新错误,因为你的X是一个字典列表,我看到了一种调用你想要的列方法的方法.这可以使用熊猫来完成.
X= [{'age': 10, 'name': 'Tom'}, {'age': 5, 'name': 'Mark'}]
df = DataFrame(X)
len(df.columns)
结果:
2
希望这可以帮助