特征哈希器#
- class sklearn.feature_extraction.FeatureHasher(n_features=1048576, *, input_type='dict', dtype=<class 'numpy.float64'>, alternate_sign=True)[source]#
实现特征哈希，也称为哈希技巧。
此类使用哈希函数计算对应于名称的矩阵列，将符号特征名称（字符串）序列转换为 scipy.sparse 矩阵。使用的哈希函数是 Murmurhash3 的 32 位带符号版本。
字节字符串类型的特征名称按原样使用。Unicode 字符串首先转换为 UTF-8，但不进行 Unicode 规范化。特征值必须是（有限）数字。
此类是 DictVectorizer 和 CountVectorizer 的低内存替代方案，适用于大规模（在线）学习和内存紧张的情况，例如在嵌入式设备上运行预测代码时。
有关不同特征提取器的效率比较，请参见 特征哈希器和字典向量化器比较。
在 用户指南 中了解更多信息。
在 0.13 版本中添加。
- 参数：
- n_featuresint, default=2**20
输出矩阵中特征（列）的数量。少量特征可能会导致哈希冲突，但大量的特征会导致线性学习器中系数维数更大。
- input_typestr, default=’dict’
从 {‘dict’, ‘pair’, ‘string’} 中选择一个字符串。 “dict”（默认值）接受 (特征名称，值) 上的字典；“pair”接受 (特征名称，值) 对；或 “string” 接受单个字符串。特征名称应为字符串，而值应为数字。“string”情况下，隐含值为 1。特征名称被哈希以查找特征的相应列。值在输出中可能会反转符号（但请参见下面的 non_negative）。
- dtypenumpy数据类型，默认值=np.float64
特征值的类型。作为dtype参数传递给scipy.sparse矩阵构造函数。请勿将其设置为bool、np.boolean或任何无符号整数类型。
- alternate_sign布尔值，默认值=True
设置为True时，将向特征添加交替符号，以便即使对于较小的n_features，也能在哈希空间中近似保留内积。这种方法类似于稀疏随机投影。
0.19版本中变更：
alternate_sign替换了现已弃用的non_negative参数。
另请参见
DictVectorizer使用哈希表向量化字符串值特征。
sklearn.preprocessing.OneHotEncoder处理名义/分类特征。
备注
此估计器是无状态的，无需拟合。但是，我们建议调用
fit_transform而不是transform，因为参数验证仅在fit中执行。示例
>>> from sklearn.feature_extraction import FeatureHasher >>> h = FeatureHasher(n_features=10) >>> D = [{'dog': 1, 'cat':2, 'elephant':4},{'dog': 2, 'run': 5}] >>> f = h.transform(D) >>> f.toarray() array([[ 0., 0., -4., -1., 0., 0., 0., 0., 0., 2.], [ 0., 0., 0., -2., -5., 0., 0., 0., 0., 0.]])
使用
input_type="string"时，输入必须是字符串可迭代对象的迭代器。>>> h = FeatureHasher(n_features=8, input_type="string") >>> raw_X = [["dog", "cat", "snake"], ["snake", "dog"], ["cat", "bird"]] >>> f = h.transform(raw_X) >>> f.toarray() array([[ 0., 0., 0., -1., 0., -1., 0., 1.], [ 0., 0., 0., -1., 0., -1., 0., 0.], [ 0., -1., 0., 0., 0., 0., 0., 1.]])
- fit(X=None, y=None)[source]#
仅验证估计器的参数。
此方法允许：（i）验证估计器的参数；（ii）与scikit-learn转换器API保持一致。
- 参数：
- X忽略
未使用，出于约定，此处用于API一致性。
- y忽略
未使用，出于约定，此处用于API一致性。
- 返回值:
- self对象
FeatureHasher类实例。
- fit_transform(X, y=None, **fit_params)[source]#
拟合数据，然后转换它。
使用可选参数
fit_params将转换器拟合到X和y，并返回X的转换版本。- 参数：
- X形状为(n_samples, n_features)的类数组
输入样本。
- y形状为(n_samples,)或(n_samples, n_outputs)的类数组，默认值=None
目标值（无监督转换时为None）。
- **fit_params字典
其他拟合参数。
- 返回值:
- X_new形状为(n_samples, n_features_new)的ndarray数组
转换后的数组。
- get_metadata_routing()[source]#
获取此对象的元数据路由。
请查看用户指南，了解路由机制的工作原理。
- 返回值:
- routingMetadataRequest
一个
MetadataRequest，封装了路由信息。
- get_params(deep=True)[source]#
获取此估计器的参数。
- 参数：
- deep布尔值，默认值=True
如果为True，则将返回此估计器和包含的作为估计器的子对象的参数。
- 返回值:
- params字典
参数名称映射到其值。
- set_output(*, transform=None)[source]#
设置输出容器。
参见介绍 set_output API，了解如何使用该 API 的示例。
- 参数：
- transform{"default", "pandas", "polars"}，默认值=None
配置
transform和fit_transform的输出。"default"：转换器的默认输出格式"pandas"：DataFrame 输出"polars"：Polars 输出None：转换配置保持不变
1.4版本中新增：
"polars"选项已添加。
- 返回值:
- self估计器实例
估计器实例。
