Python 合并数字和文本特征以进行类别分类

我试图对产品项目进行分类，以便根据产品名称和基本价格预测其类别

示例（产品名称、价格、类别）：

以前，我只在预测任务中使用产品名称，但我想包括价格，看看准确性是否有所提高

我的代码的问题是无法合并文本/数字功能，我在SO中阅读了一些问题，这是我的代码摘录：

#extracting features from text
count_vect = CountVectorizer()
X_train_counts = count_vect.fit_transform([e[0] for e in training_set])
tfidf_transformer = TfidfTransformer()
X_train_tfidf = tfidf_transformer.fit_transform(X_train_counts)

#extracting numerical features
X_train_price = np.array([e[1] for e in training_set])

X = sparse.hstack([X_train_tfidf, X_train_price]) #this is where the problem begins

clf = svm.LinearSVC().fit(X, [e[2] for e in training_set])

我尝试将数据类型与sparse.hstack合并，但出现以下错误：

ValueError: blocks[0,:] has incompatible row dimensions

我想问题在于X_train_price（一个价格列表），但我不知道如何设置它的格式以使稀疏函数成功工作

以下是两个阵列的形状：

>>> X_train_tfidf.shape
(65845, 23136)
>>>X_train_price.shape
(65845,)

---

在我看来，这应该像堆叠阵列一样简单。如果scikit learn遵循我熟悉的惯例，那么

X_train_tfidf

中的每一行都是一个训练数据点，总共有65845个点。所以你只需要做一个

hstack

——就像你说的那样

但是，您需要确保尺寸是兼容的！在vanilla

numpy

中，否则会出现此错误：

>>> a = numpy.arange(15).reshape(5, 3)
>>> b = numpy.arange(15, 20)
>>> numpy.hstack((a, b))
Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
  File "/System/Library/Frameworks/Python.framework/Versions/2.7/
        Extras/lib/python/numpy/core/shape_base.py", line 270, in hstack
    return _nx.concatenate(map(atleast_1d,tup),1)
ValueError: arrays must have same number of dimensions

因此，在您的例子中，您需要一个shape

（65845，1）

数组，而不是

（65845，）

。我可能遗漏了一些内容，因为您使用的是稀疏数组。尽管如此，原则应该是相同的。基于上述代码，我不知道您使用的是什么稀疏格式，所以我只选择了一种进行测试：

>>> a = scipy.sparse.lil_matrix(numpy.arange(15).reshape(5, 3))
>>> scipy.sparse.hstack((a, b.reshape(5, 1))).toarray()
array([[ 0,  1,  2, 15],
       [ 3,  4,  5, 16],
       [ 6,  7,  8, 17],
       [ 9, 10, 11, 18],
       [12, 13, 14, 19]])

---

看看我在这里的回答，了解一个相关的问题

>>> b
array([15, 16, 17, 18, 19])
>>> b.reshape(5, 1)
array([[15],
       [16],
       [17],
       [18],
       [19]])
>>> numpy.hstack((a, b.reshape(5, 1)))
array([[ 0,  1,  2, 15],
       [ 3,  4,  5, 16],
       [ 6,  7,  8, 17],
       [ 9, 10, 11, 18],
       [12, 13, 14, 19]])

>>> a = scipy.sparse.lil_matrix(numpy.arange(15).reshape(5, 3))
>>> scipy.sparse.hstack((a, b.reshape(5, 1))).toarray()
array([[ 0,  1,  2, 15],
       [ 3,  4,  5, 16],
       [ 6,  7,  8, 17],
       [ 9, 10, 11, 18],
       [12, 13, 14, 19]])