在python中,如何从具有功能列表字符串的tsv转换为csr矩阵?
我一直在使用一些在python中,如何从具有功能列表字符串的tsv转换为csr矩阵?,python,sparse-matrix,similarity,Python,Sparse Matrix,Similarity,我一直在使用一些R软件包从稀疏二进制矩阵计算(余弦)(稀疏)相似矩阵,例如proxyC 由于我现在也开始(并正在学习)使用python,而且有人告诉我它可能更快,我想尝试在那里运行同样的计算 我发现这个有趣的帖子: 其中介绍了几种方法 在亲手编写了一个小测试矩阵之后,我尝试了其中的一些测试。 现在我想尝试“真实”数据。 这就是我遇到的一个我目前无法解决的问题 我的数据来自tsv文件,这些文件将对象(ID)与逗号分隔的要素列表(FP)相关联。例如: 我需要将其转换为稀疏二进制矩阵。 即使在R中,
R
软件包从稀疏二进制矩阵计算(余弦)(稀疏)相似矩阵,例如proxyC
由于我现在也开始(并正在学习)使用python
,而且有人告诉我它可能更快,我想尝试在那里运行同样的计算
我发现这个有趣的帖子:
其中介绍了几种方法
在亲手编写了一个小测试矩阵之后,我尝试了其中的一些测试。现在我想尝试“真实”数据。
这就是我遇到的一个我目前无法解决的问题 我的数据来自tsv文件,这些文件将对象(ID)与逗号分隔的要素列表(FP)相关联。例如: 我需要将其转换为稀疏二进制矩阵。
即使在R中,我也花了一些时间来找出最好的方法。
首先,
strsplit
FP以逗号列出,将FP
列从字符向量转换为字符向量列表。然后我unlist
FP
,重复每个ID
的次数与FP
向量的长度一样多,这给了我:
ID FP
1 A
1 B
1 C
2 A
2 D
3 C
3 D
3 F
4 A
4 F
5 E
5 H
5 M
然后我通过xtabs
生成稀疏二进制特征矩阵:
5 x 8 sparse Matrix of class "dgCMatrix"
FP
ID A B C D E F H M
1 1 1 1 . . . . .
2 1 . . 1 . . . .
3 . . 1 1 . 1 . .
4 1 . . . . 1 . .
5 . . . . 1 . 1 1
我确信在python
中可以做到这一点(在本例中,从tsv文件到csr矩阵,如我链接的帖子中所示),但我仍然是一名初学者,我怀疑我需要很长时间才能弄清楚所有细节并将其正确
有人能帮我找到描述必要步骤的帖子并举例说明吗?
谢谢
import pandas as pd
df = pd.DataFrame({'ID':[1,2,3], 'FP':["A,B,C","A,D","C,D,F"]})
>>> df
ID FP
0 1 A,B,C
1 2 A,D
2 3 C,D,F
拆分列并将其分解为一个长表
df['FP'] = df['FP'].str.split(",")
df = df.explode(column="FP")
>>> df
ID FP
0 1 A
0 1 B
0 1 C
1 2 A
1 2 D
2 3 C
2 3 D
2 3 F
对分类列进行编码
df['FP'] = df['FP'].astype('category')
将其写入稀疏矩阵:
from scipy.sparse import csr_matrix
import numpy as np
mat = csr_matrix((np.ones(df.shape[0]), (df['ID'], df['FP'].cat.codes)))
>>> mat.A
array([[0., 0., 0., 0., 0.],
[1., 1., 1., 0., 0.],
[1., 0., 0., 1., 0.],
[0., 0., 1., 1., 1.]])
确保跟踪哪些列是哪些类别级别。如果愿意,还可以对ID
列进行编码(如果它们不是0索引整数,这可能是个好主意)
同样,请记录您的分类级别。谢谢!我确认我要花很长时间才能解决这个问题。我肯定也必须将ID列转换为category,否则我会有一个不需要的0行。为了确保不扰乱相似性矩阵,我需要按递增ID对初始数据帧进行排序(顺便说一句,在R中也是如此)。我仍然有一个疑问:我是否应该将1的数据类型设置为整数,因为它永远不能是浮点,甚至不能是布尔值,因为我只关心功能的存在,而不关心它在单个ID中出现多少次?此外,为了加快相似度计算,您可以将数据类型设置为您想要的任何类型(例如,np.ones(df.shape[0],dtype=bool)
)。您还可以始终获取分类因子的顺序(例如,df['FP'])。类别为列提供轴标签。您也可以跟踪稀疏数据帧中的所有内容,但数学方面的限制更大(例如:df\u sparse=pd.dataframe.sparse.from\u spmatrix(mat,index=df['ID'].cat.categories,columns=df['FP'].cat.categories)
)
from scipy.sparse import csr_matrix
import numpy as np
mat = csr_matrix((np.ones(df.shape[0]), (df['ID'], df['FP'].cat.codes)))
>>> mat.A
array([[0., 0., 0., 0., 0.],
[1., 1., 1., 0., 0.],
[1., 0., 0., 1., 0.],
[0., 0., 1., 1., 1.]])
df['ID'] = df['ID'].astype('category')
mat = csr_matrix((np.ones(df.shape[0]), (df['ID'].cat.codes, df['FP'].cat.codes)))
>>> mat.A
array([[1., 1., 1., 0., 0.],
[1., 0., 0., 1., 0.],
[0., 0., 1., 1., 1.]])