Как hstack несколько разреженных матриц (feature Matrix)?

Question

Как hstack несколько разреженных матриц (feature Matrix)?

У меня есть 3 разреженные матрицы:

In [39]:



mat1





Out[39]:

(1, 878049)

<1x878049 sparse matrix of type '<type 'numpy.int64'>'

    with 878048 stored elements in Compressed Sparse Row format>



In [37]:



mat2





Out[37]:

(1, 878049)

<1x878049 sparse matrix of type '<type 'numpy.int64'>'

    with 744315 stored elements in Compressed Sparse Row format>



In [35]:



mat3







Out[35]:

(1, 878049)

<1x878049 sparse matrix of type '<type 'numpy.int64'>'

    with 788618 stored elements in Compressed Sparse Row format>

Из документации я прочитал, что можно hstack, vstack, и concatenate их такой тип матриц. Поэтому я попытался hstack их:

import numpy as np



matrix1 = np.hstack([[address_feature, dayweek_feature]]).T

matrix2 = np.vstack([[matrix1, pddis_feature]]).T





X = matrix2

Однако размеры не совпадают:

In [41]:



X_combined_features.shape



Out[41]:



(2, 1)

Обратите внимание, что я укладываю такие матрицы, так как я хотел бы использовать их с алгоритмом классификации scikit-learn. Следовательно, Как я должен hstack число различных разреженных матриц?.

708 1

python numpy scipy machine-learning scikit-learn

1 ответ:

Comments

Ничего не найдено.

hpaulj · Accepted Answer · 2016-06-09 08:41:39

Используйте sparse версии vstack. Как правило, вы должны использовать разреженные функции и методы, а не numpy с похожим именем. sparse матрицы не являются подклассами numpy ndarray.

Но, ваши 3 три матрицы не выглядят разреженными. Они 1x878049. Один имеет 878048 ненулевых элементов - это означает только один элемент 0.

Таким образом, вы можете также превратить их в плотные массивы (с .toarray() или .A) и использовать np.hstack или np.vstack.
np.hstack([address_feature.A, dayweek_feature.A])
И не используйте двойные скобки. Все функции конкатенации принимают простой список или кортеж массивов. И этот список может иметь более 2 массивов
In [296]: A=sparse.csr_matrix([0,1,2,0,0,1])

In [297]: B=sparse.csr_matrix([0,0,0,1,0,1])

In [298]: C=sparse.csr_matrix([1,0,0,0,1,0])

In [299]: sparse.vstack([A,B,C])
Out[299]: 
<3x6 sparse matrix of type '<class 'numpy.int32'>'
    with 7 stored elements in Compressed Sparse Row format>

In [300]: sparse.vstack([A,B,C]).A
Out[300]: 
array([[0, 1, 2, 0, 0, 1],
       [0, 0, 0, 1, 0, 1],
       [1, 0, 0, 0, 1, 0]], dtype=int32)

In [301]: sparse.hstack([A,B,C]).A
Out[301]: array([[0, 1, 2, 0, 0, 1, 0, 0, 0, 1, 0, 1, 1, 0, 0, 0, 1, 0]], dtype=int32)

In [302]: np.vstack([A.A,B.A,C.A])
Out[302]: 
array([[0, 1, 2, 0, 0, 1],
       [0, 0, 0, 1, 0, 1],
       [1, 0, 0, 0, 1, 0]], dtype=int32)