Python 比例（应用函数？）对数稀疏矩阵

我使用的是稀疏矩阵

我的目标是通过以对数为底的列最大值来“缩放”每个功能列。我的措辞可能不准确。我试着解释

假设要素列有值：

0,8,2

：

• 最大值=8
• 特征值0的Log-8应该是0.0=

  math.Log（0+1，8+1）

  （+1用于处理零；所以是的，我们实际上是以对数为基数9）
• 特征值8的Log-8应为1.0=

  math.Log（8+1，8+1）

• 特征值2的Log-8应为0.5=

  math.Log（2+1，8+1）

是的，我可以轻松地应用任意基于函数的transformer，但我需要日志更改的基础（基于）每列（特别是最大值）。也就是说，我想做一些类似的事情，只取对数

我看到

maxabscaler

首先获取每列（）最大值的向量（

scale

），然后将原始矩阵乘以

1/scale

）

但是，如果我想根据

比例

向量取对数，我不知道该怎么办。甚至可以将对数运算转换为乘法（？），或者我还有其他有效的scipy稀疏运算的可能性吗

---

我希望我的意图是明确的（并且是可能的）。

以b为底的x的对数与log（x）/log（b）相同，其中log是自然的。因此，您描述的过程相当于首先对所有对象应用log（x+1）变换，然后按最大绝对值进行缩放。方便地说，log（x+1）是一个内置函数，

log1p

。例如：

from sklearn.preprocessing import FunctionTransformer, maxabs_scale
from scipy.sparse import csc_matrix
import numpy as np
logtran = FunctionTransformer(np.log1p, accept_sparse=True)
X = csc_matrix([[ 1., 0, 8], [ 2., 0,  0], [ 0,  1., 2]])
Y = maxabs_scale(logtran.transform(X))

输出（稀疏矩阵Y）：

---

这是个好主意！正是我需要的，谢谢你类似地，我想对于稀疏矩阵，我不能像

MinMaxScaler

那样首先将其缩小到最小范围，也就是说，如果特征列的范围仅在40到80之间，请将最小值更改为0到40，然后像您的答案一样应用

log1p

我只需要对少数列执行此操作，也许只有在交换时才对这些列执行非稀疏操作是有效的？如果有稀疏矩阵，但某些列的所有值都在40到80之间，这是一种奇怪的情况。我自己没有必要处理这种情况；您可能需要发布一个单独的问题，因为它与上面的问题不同。

  (0, 0)        0.630929753571
  (1, 0)        1.0
  (2, 1)        1.0
  (0, 2)        1.0
  (2, 2)        0.5