Я думаю, что это обычная задача в sklearn
, поэтому в пакете должен быть какой-то инструмент, который делает это, или ответ в других вопросах SO. Нам нужно добавить правильный тег.
Но просто работает с моим знанием numpy
и sparse
, где то, что я хотел бы сделать:
Сделайте образец 2d массив - N строк, 2 колонки со значениями символов:
In [638]: A=np.array([('a','b'),('b','d'),('a','d'),('b','c'),('d','e')])
In [639]: A
Out[639]:
array([['a', 'b'],
['b', 'd'],
['a', 'd'],
['b', 'c'],
['d', 'e']],
dtype='<U1')
Использование np.unique
для идентификации уникальных строк и в качестве бонуса - карта из этих строк в исходный массив. Это рабочая задача этой задачи.
In [640]: k1,k2,k3=np.unique(A,return_inverse=True,return_index=True)
In [641]: k1
Out[641]:
array(['a', 'b', 'c', 'd', 'e'],
dtype='<U1')
In [642]: k2
Out[642]: array([0, 1, 7, 3, 9], dtype=int32)
In [643]: k3
Out[643]: array([0, 1, 1, 3, 0, 3, 1, 2, 3, 4], dtype=int32)
можно изменить, что inverse
массив для идентификации строк и COL для каждой записи в A
.
In [644]: rows,cols=k3.reshape(A.shape).T
In [645]: rows
Out[645]: array([0, 1, 0, 1, 3], dtype=int32)
In [646]: cols
Out[646]: array([1, 3, 3, 2, 4], dtype=int32)
с теми тривиально построить разреженную матрицу, которая имеет 1
в каждом «intersection`.
In [648]: M=sparse.coo_matrix((np.ones(rows.shape,int),(rows,cols)))
In [649]: M
Out[649]:
<4x5 sparse matrix of type '<class 'numpy.int32'>'
with 5 stored elements in COOrdinate format>
In [650]: M.A
Out[650]:
array([[0, 1, 0, 1, 0],
[0, 0, 1, 1, 0],
[0, 0, 0, 0, 0],
[0, 0, 0, 0, 1]])
первый ряд, a
имеет значение в 2-е и 4-е седловины, b
и d
. и так далее.
============================
Первоначально я имел:
In [648]: M=sparse.coo_matrix((np.ones(k1.shape,int),(rows,cols)))
Это неправильно , Массив data
должен соответствовать rows
и cols
в форме. Здесь он не вызвал ошибку, потому что k1
имеет одинаковый размер. Но с другой комбинацией уникальные значения могут вызвать ошибку.
====================
Этот подход предполагает всю базу данных, A
может быть загружен в память. unique
, вероятно, требует использования одинаковой памяти. Первоначально матрица coo
может не увеличить использование памяти, так как она будет использовать массивы, предоставляемые в качестве параметров.Но любые вычисления и/или преобразование в csr
или другой формат сделают дополнительные копии.
Я могу себе представить проблемы с памятью, загрузив базу данных в куски и используя другую структуру, чтобы получить уникальные значения и отображение. Вы даже можете построить матрицу coo
из кусков. Но рано или поздно вы столкнетесь с проблемами памяти. Код scikit будет делать одну или несколько копий этой разреженной матрицы.
Спасибо. Можно ли это сделать без предварительного чтения во всей матрице? Это кусок куска. – eleanora
В зависимости от того, что именно вы хотите, вы можете прочитать фрагмент файла куском, используя что-то похожее на [этот ответ] (http://stackoverflow.com/questions/17056382/read-file-in-chunks-ram- use-read-strings-from-binary-files), затем найдите, какие строки и столбцы должны быть заполнены. – Mahdi
Я опубликовал последующую информацию о своих проблемах с тем, чтобы это работало по адресу http://stackoverflow.com/questions/38688062/converting-a-1-2gb-list-of-edges-into-a-parparse-matrix – eleanora