【Python】处理 scikit-learn 中的 FutureWarning

那年夏天我和你躲在这一大片宁静的海

直到后来我们都还在对这个世界充满期待

今年冬天你已经不在我的心空出了一块

很高兴遇见你让我终究明白

回忆比真实精彩

🎵 王心凌《那年夏天宁静的海》

在数据科学和机器学习领域，scikit-learn 是一个非常流行的库，用于构建和评估各种机器学习模型。然而，随着版本的更新，库中的某些模块和功能可能会被弃用（deprecated），并在未来的版本中移除。最近在使用 scikit-learn 时，我们遇到了如下的 FutureWarning：

vbnet 复制代码

/usr/local/anaconda3/lib/python3.6/site-packages/sklearn/utils/deprecation.py:144: FutureWarning: The sklearn.neighbors.base module is deprecated in version 0.22 and will be removed in version 0.24. The corresponding classes/functions should instead be imported from sklearn.neighbors. Anything that cannot be imported from sklearn.neighbors is now part of the private API.
  warnings.warn(message, FutureWarning)
/usr/local/anaconda3/lib/python3.6/site-packages/sklearn/utils/deprecation.py:144: FutureWarning: The sklearn.ensemble.bagging module is deprecated in version 0.22 and will be removed in version 0.24. The corresponding classes/functions should instead be imported from sklearn.ensemble. Anything that cannot be imported from sklearn.ensemble is now part of the private API.
  warnings.warn(message, FutureWarning)

什么是 FutureWarning？

FutureWarning 是 Python 用来通知用户某些功能将在未来版本中被弃用的方式。虽然这些功能在当前版本中仍然可用，但开发者建议开始使用新的替代方案，以确保代码在未来版本中的兼容性。

在我们的例子中，警告告诉我们：

sklearn.neighbors.base 模块在 0.22 版本中被弃用，并将在 0.24 版本中移除。相应的类/函数应从 sklearn.neighbors 中导入。

sklearn.ensemble.bagging 模块在 0.22 版本中被弃用，并将在 0.24 版本中移除。相应的类/函数应从 sklearn.ensemble 中导入。

如何处理这些警告？

最好的处理方式是按照警告中的建议，更新代码以使用推荐的导入方式。例如：

旧的导入方式

python 复制代码

from sklearn.neighbors.base import KNeighborsClassifier
from sklearn.ensemble.bagging import BaggingClassifier

新的导入方式

python 复制代码

from sklearn.neighbors import KNeighborsClassifier
from sklearn.ensemble import BaggingClassifier

通过这种方式，我们确保代码在未来的 scikit-learn 版本中依然可用，同时也提高了代码的可读性和可维护性。

示例代码修正

假设我们有一段代码需要处理空值并使用随机森林分类器进行训练，旧的代码可能如下所示：

python 复制代码

from sklearn.ensemble import RandomForestClassifier
from sklearn.impute import SimpleImputer
import pandas as pd

# 示例数据
# df = pd.read_csv('your_data.csv')

# 使用均值填充空值
imputer = SimpleImputer(strategy='mean')
X = df.drop('target', axis=1)
X_imputed = imputer.fit_transform(X)
y = df['target']

# 创建和训练随机森林分类器
clf = RandomForestClassifier(class_weight={0: 0.1667, 1: 0.8333})
clf.fit(X_imputed, y)

如果我们遇到 FutureWarning，需要更新导入方式，并可以选择暂时忽略这些警告：

python 复制代码

import warnings
warnings.filterwarnings("ignore", category=FutureWarning)

from sklearn.ensemble import RandomForestClassifier
from sklearn.impute import SimpleImputer
import pandas as pd

# 示例数据
# df = pd.read_csv('your_data.csv')

# 使用均值填充空值
imputer = SimpleImputer(strategy='mean')
X = df.drop('target', axis=1)
X_imputed = imputer.fit_transform(X)
y = df['target']

# 创建和训练随机森林分类器
clf = RandomForestClassifier(class_weight={0: 0.1667, 1: 0.8333})
clf.fit(X_imputed, y)

总结

通过关注并处理 FutureWarning，我们可以确保代码的前瞻性和兼容性，避免未来版本更新带来的潜在问题。最好是定期检查项目中的所有警告，并根据建议进行相应的代码更新。这不仅有助于保持代码的健康状态，还能提高代码的可维护性和性能。