scikit_learn
可能有工具来轻松地做到这一点,但我将演示一个基本的Python/numpy的解决方案。
的原始数据 - 列出
In [1150]: data=[['buick', '123,234', '500'],
['chevy', '345,456', '300'],
['suv','123', '100']]
的名单,我可以拉出来verious列与列表内涵。这可能不是一个非常大的案例中最快的,但现在它是一个简单的方法来逐件解决问题。
In [1151]: terms=[row[0] for row in data]
In [1152]: terms
Out[1152]: ['buick', 'chevy', 'suv']
In [1153]: quantities=[int(row[2]) for row in data]
In [1154]: quantities
Out[1154]: [500, 300, 100]
创建可能的id的列表。我可以从data
中得到这些,但你显然使用的是更大的列表。他们可以是字符串而不是整数。
In [1155]: idset=[123,234,345,456,567]
In [1156]: ids=[[int(i) for i in row[1].split(',')] for row in data]
In [1157]: ids
Out[1157]: [[123, 234], [345, 456], [123]]
np.in1d
是寻找那些地方适合的子列表中的主列表一个方便的工具。由此产生的idM
是功能矩阵,有很多0和几个。
In [1158]: idM=np.array([np.in1d(idset,i) for i in ids],int)
In [1159]: idM
Out[1159]:
array([[1, 1, 0, 0, 0],
[0, 0, 1, 1, 0],
[1, 0, 0, 0, 0]])
我们可以用各种方式装配这些零件。
例如结构化阵列可以与创建:
In [1161]: M=np.zeros(len(data),dtype='U10,int,(5)int')
In [1162]: M['f0']=terms
In [1163]: M['f1']=quantities
In [1164]: M['f2']=idM
In [1165]: M
Out[1165]:
array([('buick', 500, [1, 1, 0, 0, 0]), ('chevy', 300, [0, 0, 1, 1, 0]),
('suv', 100, [1, 0, 0, 0, 0])],
dtype=[('f0', '<U10'), ('f1', '<i4'), ('f2', '<i4', (5,))])
idM
可以与可以变成稀疏矩阵:
In [1167]: from scipy import sparse
In [1168]: c=sparse.coo_matrix(idM)
In [1169]: c
Out[1169]:
<3x5 sparse matrix of type '<class 'numpy.int32'>'
with 5 stored elements in COOrdinate format>
In [1170]: c.A
Out[1170]:
array([[1, 1, 0, 0, 0],
[0, 0, 1, 1, 0],
[1, 0, 0, 0, 0]])
在这种勘探较容易首先创建更密集阵列,并从中做出一个稀疏。
但是sparse
提供了一个bmat
函数,它允许我从单行列表创建多行矩阵。 (请参阅我的编辑历史记录,以查看直接构建coo
输入的版本)
In [1220]: ll=[[sparse.coo_matrix(np.in1d(idset,i),dtype=int)] for i in ids]
In [1221]: sparse.bmat(ll)
Out[1221]:
<3x5 sparse matrix of type '<class 'numpy.int32'>'
with 5 stored elements in COOrdinate format>
In [1222]: sparse.bmat(ll).A
Out[1222]:
array([[1, 1, 0, 0, 0],
[0, 0, 1, 1, 0],
[1, 0, 0, 0, 0]], dtype=int32)
您以什么格式输入?你能列出能够重现这些样本数据的代码吗? – Divakar
@Divakar添加了它,谢谢您的询问 – jKraut
'ids'会不会成对?如果是这样,你能把它分成两列吗?这可能更容易处理。 – Divakar