如何将数据帧转换为具有混合列类型的稀疏矩阵

Question

>我有一个以下格式的数据框：

df:
key   f1    f2
k1    10    a, b, c
k2    20    b, d
k3    15    NaN

列 f2 有一个单词袋作为值。我想将此数据框转换为稀疏矩阵，因为 f2 中的不同单词运行到几千个。我期待的最终结果是以下格式：

key    f1  f2.a  f2.b  f2.c  f2.d
k1     10   1     1     1     0
k2     20   0     1     0     1
k3     15   0     0     0     0

我可以弄清楚如何独立创建一个键外和 f2 字段的稀疏矩阵。我首先融化了 f2 列，所以我得到以下数据帧：

df1:
key  f2
k1   a
k1   b
k1   c
k2   b
k2   d

然后我编码 f2，并使用 sklearn.preprocessing 包中的 LabelEncoder 对 f2 进行编码。然后我创建一个稀疏矩阵，如下所示：

df1['trainrow'] = np.arrange(df1.shape[0])
sparse.csr_matrix((np.ones(df1.shape[0], (df1.trainrow, df1.f2_encoded)))

这通过对字段 f2 进行独热编码来创建稀疏矩阵。但我不确定如何将其与数值字段 f1 连接起来。

Answer 1

您可以将

concat与str.get_dummies一起使用，add_prefix：

df = pd.concat([df[['key','f1']], df.f2.str.get_dummies(sep=', ').add_prefix('f2.')], axis=1)
print (df)
  key  f1  f2.a  f2.b  f2.c  f2.d
0  k1  10     1     1     1     0
1  k2  20     0     1     0     1
2  k3  15     0     0     0     0

在非常大的不同值中get_dummies非常慢，您可以使用自定义函数f：

def f(category_list):
    n_categories = len(category_list)
    return pd.Series(dict(zip(category_list, [1]*n_categories)))
#remove NaN rows and create list of values by split
df1 = df.f2.dropna().str.split(', ').apply(f).add_prefix('f2.')
df2 = pd.concat([df[['key','f1']], df1], axis=1)
#replace NaN to 0 by position from 3.column to end of df
df2.iloc[:, 2: ] = df2.iloc[:, 2: ].fillna(0).astype(int)
print (df2)
  key  f1  f2.a  f2.b  f2.c  f2.d
0  k1  10     1     1     1     0
1  k2  20     0     1     0     1
2  k3  15     0     0     0     0

时间：

In [256]: %timeit s.str.get_dummies(sep=', ')
1 loop, best of 3: 1min 16s per loop
In [257]: %timeit (s.dropna().str.split(', ').apply(f).fillna(0).astype(int))
1 loop, best of 3: 2.95 s per loop

计时代码：

np.random.seed(100)
s = pd.DataFrame(np.random.randint(10000, size=(1000,1000))).astype(str).apply(', '.join, axis=1)
print (s)

df2 = s.str.get_dummies(sep=', ')
print (df2)
def f(category_list):
    n_categories = len(category_list)
    return pd.Series(dict(zip(category_list, [1]*n_categories)))
print (s.dropna().str.split(', ').apply(f).fillna(0).astype(int))

Answer 2

我已经找到了解决这个问题的最佳方法，因此将其作为我将来参考和他人利益的答案发布：

由于数据量巨大，我只能使用稀疏矩阵。

第一步是将单词袋转换为矢量化格式。我使用了CountVectorizer（感谢@MaxU），如下所示：

from sklearn.feature_extraction.text import CountVectorizer
vectorizer = CountVectorizer()
df2 = vectorizer.fit_transform(df['f2'].str.replace(' ',''))

我想忽略空格并使用逗号作为强制分隔符。我不知道该怎么做，所以我替换了空格，否则矢量化器会在空格处拆分单词。

这创建了 df1 作为一个稀疏矩阵。

然后将另一个字段 f1 转换为不同的稀疏矩阵：

df1 = csr_matrix(df[['f1']].fillna(0))

然后使用 hstack 将这两个组合在一起： sparseDF = hstack（（df1，df2），format='csr'）