AttributeError: Estimator functiontransformer does not provide get_feature_names_out. Did you mean to call pipeline[:-1].get_feature_names_out()?
Un pas din pipeline nu știe să spună numele coloanelor pe care le produce, de obicei un FunctionTransformer. Dă-i feature_names_out="one-to-one" (dacă păstrează coloanele) sau o funcție care întoarce numele. Dacă ultimul pas e modelul, cere numele de la pipeline[:-1].
Explicat de Tudor Andrei Dumitrescu, Senior Software Developer, fondatorul Academiei ProgramatorilorActualizat la
Ce înseamnă
get_feature_names_out() întoarce numele coloanelor de după transformare, de exemplu num__suprafata, cat__oras_Cluj. Un pipeline îl calculează trecând prin toți pașii, iar fiecare pas trebuie să știe să-și numească ieșirea. Mesajul spune care pas nu știe (aici functiontransformer, numele dat automat de make_pipeline).
FunctionTransformer aplică o funcție oarecare, deci nu poate ghici câte coloane produce și cum se numesc. Îi spui tu: feature_names_out="one-to-one" înseamnă „aceleași coloane, cu aceleași nume” (potrivit pentru np.log1p, np.sqrt), iar o funcție (transformer, nume_intrare) -> nume_iesire acoperă restul cazurilor.
Sugestia din mesaj (pipeline[:-1]) e pentru alt caz frecvent: ultimul pas e un model, care nu produce coloane. Atunci ceri numele doar de la partea de preprocesare.
De ce apare: cauzele frecvente
1FunctionTransformer fără nume de ieșire
make_pipeline(FunctionTransformer(np.log1p), StandardScaler())make_pipeline(FunctionTransformer(np.log1p, feature_names_out="one-to-one"), StandardScaler())Cu "one-to-one", transformatorul spune că păstrează coloanele și numele lor.
2Ai cerut numele de la tot pipeline-ul, cu model la final
model = make_pipeline(prep, LogisticRegression()).fit(X, y)
model.get_feature_names_out()model = make_pipeline(prep, LogisticRegression()).fit(X, y)
model[:-1].get_feature_names_out()model[:-1] e pipeline-ul fără ultimul pas, adică doar preprocesarea, care chiar produce coloane.
3Funcția creează coloane noi
FunctionTransformer(adauga_total)def nume_total(transformer, nume):
return list(nume) + ["total"]
FunctionTransformer(adauga_total, feature_names_out=nume_total)Când numărul de coloane se schimbă, o funcție de nume spune exact ce coloane ies.
Repară eroarea, direct în pagină
Codul de mai jos dă AttributeError: Estimator functiontransformer does not provide get_feature_names_out. Spune-i lui FunctionTransformer că păstrează coloanele și numele lor, ca programul să afișeze numele coloanelor după preprocesare.
import numpy as np
import pandas as pd
from sklearn.pipeline import make_pipeline
from sklearn.preprocessing import FunctionTransformer, StandardScaler
df = pd.DataFrame({"venit": [2000, 3500, 8000, 12000], "vechime": [1, 3, 8, 15]})
prep = make_pipeline(FunctionTransformer(np.log1p), StandardScaler())
prep.fit(df)
print("Coloane:", [str(c) for c in prep.get_feature_names_out()])Coloane: ['venit', 'vechime']
Indiciu
Adaugă feature_names_out="one-to-one" la FunctionTransformer(np.log1p).
Reparația
import numpy as np
import pandas as pd
from sklearn.pipeline import make_pipeline
from sklearn.preprocessing import FunctionTransformer, StandardScaler
df = pd.DataFrame({"venit": [2000, 3500, 8000, 12000], "vechime": [1, 3, 8, 15]})
prep = make_pipeline(FunctionTransformer(np.log1p, feature_names_out="one-to-one"), StandardScaler())
prep.fit(df)
print("Coloane:", [str(c) for c in prep.get_feature_names_out()])De ce merge
np.log1p aplică logaritmul pe fiecare coloană, fără să adauge sau să scoată coloane, deci "one-to-one" descrie corect ce face. Acum fiecare pas din pipeline își poate numi ieșirea, iar get_feature_names_out() întoarce numele inițiale, venit și vechime. Același lucru e util când legi coeficienții modelului de coloane.
Alte forme ale mesajului
AttributeError: Transformer functiontransformer (type FunctionTransformer) does not provide get_feature_names_out.AttributeError: Estimator logisticregression does not provide get_feature_names_out. Did you mean to call pipeline[:-1].get_feature_names_out()?AttributeError: This 'FunctionTransformer' has no attribute 'get_feature_names_out'
Cum o eviți pe viitor
Ori de câte ori folosești FunctionTransformer, adaugă și feature_names_out. Când vrei numele coloanelor finale (pentru coeficienți sau importanța trăsăturilor), cere-le de la partea de preprocesare, model[:-1] sau model.named_steps["prep"], nu de la tot pipeline-ul. Cu set_output(transform="pandas") vezi direct coloanele la fiecare pas.
Întrebări frecvente
La ce îmi trebuie numele coloanelor?
Ca să legi coeficienții sau feature_importances_ de trăsăturile reale. Fără nume, ai doar o listă de numere și nu știi ce coloană e fiecare.
De ce mesajul spune „functiontransformer” cu litere mici?
E numele generat automat de make_pipeline pentru pas. Cu Pipeline([("log", ...)]), mesajul ar arăta numele tău.
Erori înrudite
AttributeError: 'Pipeline' object has no attribute 'feature_importances_' feature_importances_ aparține modelului (de exemplu RandomForestClassifier), nu Pipeline-ului care îl conține. Ia ultimul pas cu pipe[-1] sau pipe.named_steps["model"] și citește atributul de acolo; la GridSearchCV, folosește grid.best_estimator_. TypeError: All estimators should implement fit and transform, or can be 'drop' or 'passthrough' specifiers. 'LogisticRegression()' (type <class 'sklearn.linear_model._logistic.LogisticRegression'>) doesn't. Ai pus un model (LogisticRegression, LinearRegression...) în interiorul unui ColumnTransformer. ColumnTransformer acceptă doar transformere (scalere, encodere, imputere), "drop" sau "passthrough". Pune modelul după el, într-un Pipeline: make_pipeline(ct, LogisticRegression()). ValueError: The output of the 'num' transformer should be 2D (numpy array, scipy sparse array, dataframe). Un transformator din ColumnTransformer a întors un rezultat 1D (de exemplu o serie pandas sau un vector), iar ColumnTransformer are nevoie de tabele 2D ca să le lipească. În FunctionTransformer, selectează coloanele cu x[["col"]] sau întoarce un DataFrame, nu x["col"]. Învață Machine Learning de la zero, cu exerciții la fiecare lecție
Curs Machine Learning și AI pentru începători: lecții scurte, fiecare cu un exercițiu verificat automat, direct în browser. Primele 15 lecții sunt gratuite.
