我正在sklearn管道中使用sklearn-pandas DataFrameMapper。为了评估特征联合管道中的特征贡献，我喜欢测量估计器的系数（Logistic回归）。对于下面的代码示例中，三个文本内容列a, b和c被矢量化和选择用于X_train：

import pandas as pd

import numpy as np

import pickle

from sklearn_pandas import DataFrameMapper

from sklearn.feature_extraction.text import CountVectorizer

from sklearn.linear_model import LogisticRegression

from sklearn.model_selection import train_test_split

from sklearn.pipeline import Pipeline

np.random.seed(1)

data = pd.read_csv('https://pastebin.com/raw/WZHwqLWr')

#data.columns

X = data.copy()

y = data.result

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=1)

mapper = DataFrameMapper([

('a', CountVectorizer()),

('b', CountVectorizer()),

('c', CountVectorizer())

])

pipeline = Pipeline([

('featurize', mapper),

('clf', LogisticRegression(random_state=1))

])

pipeline.fit(X_train, y_train)

y_pred = pipeline.predict(X_test)

print(abs(pipeline.named_steps['clf'].coef_))

#array([[0.3567311 , 0.3567311 , 0.46215153, 0.10542043, 0.3567311 ,

# 0.46215153, 0.46215153, 0.3567311 , 0.3567311 , 0.3567311 ,

# 0.3567311 , 0.46215153, 0.46215153, 0.3567311 , 0.46215153,

# 0.3567311 , 0.3567311 , 0.3567311 , 0.3567311 , 0.46215153,

# 0.46215153, 0.46215153, 0.3567311 , 0.3567311 ]])

print(len(pipeline.named_steps['clf'].coef_[0]))

#24

与多个特征的常规分析不同，DataFrameMapper返回更大的系数矩阵，而这些特征通常返回与特征数量相等的系数。

a）如何解释大写的总共24个系数？b）访问每个特征（“a”，“b”，“c”）的coef_值的最佳方法是什么？

期望的输出：

a: coef_score (float)

b: coef_score (float)

解决办法：虽然您最初的数据帧确实只包含你的三个功能栏a，b和c，熊猫DataFrameMapper()类应用SKlearn的CountVectorizer()每一列A，B和C的各个字的语料库。这导致创建了总共24个特征，然后将这些特征传递给您的LogisticRegression()分类器。这就是为什么当您尝试访问分类器的.coef_属性时，您获得了24个值的未标记列表。

然而，这是非常简单的，以匹配每个那些24个的coeff_得分与原始柱（a，b，或c），它们来自，然后计算平均系数分数每一列。

c: coef_score (float)