Dataframe 添加“的最佳方式”；“列”；到tf.data.dataset

在运行时和最佳实践方面，向TensorFlow数据集中添加列的最佳方式是什么

假设

dataset

是通过

make\u CSV\u dataset

从CSV生成的

PrefetchDataset

。我想基于

数据集

的预先存在的功能列

a

，添加一个功能列

B

我试图修改教程中的代码（参见函数

PackNumericFeatures（）

）来创建类

class add_column(object):

    def __call__(self, features, labels):

        features['B'] = tf.map_fn(
            lambda x: len(str(x+"postfix")), features['A'])

        return features, labels

然后使用

dataset = dataset.map(add_column())

假设预先存在的功能

A

是一个字符串，这将成功地向从

A

复制的每个字符串添加

“后缀”

。但是，如果我想用

A

中每个元素的长度填充

B

，那么将lambda函数替换为

lambda x:len（x）

会产生错误

TypeError: len is not well defined for symbolic Tensors. (TensorArrayV2Read/TensorListGetItem:0) Please call `x.shape` rather than `len(x)` for shape information.

OperatorNotAllowedInGraphError: iterating over `tf.Tensor` is not allowed: AutoGraph is disabled in this function. Try decorating it directly with @tf.function.

类似地，一个基本函数（如

lambda x:a）在x

中给出错误

TypeError: len is not well defined for symbolic Tensors. (TensorArrayV2Read/TensorListGetItem:0) Please call `x.shape` rather than `len(x)` for shape information.

OperatorNotAllowedInGraphError: iterating over `tf.Tensor` is not allowed: AutoGraph is disabled in this function. Try decorating it directly with @tf.function.

使用熊猫数据帧，添加从已有列处理的新列要容易得多。我做错了什么？将

map\u fn（）

与

add\u column（）

等类一起使用是否是最佳实践？

y\u dataset=x\u dataset.map（fn1）

您可以根据需要定义fn1

@tf.function
def fn1(x):
    ##use x to derive additional columns u want. Set the shape as well
    y = {}
    y.update(x)
    y['new1'] = new1
    y['new2'] = new2
    return y