该部分讲解的是scikit-learn中构建term-document矩阵的方法,该方法被用到了以下地方:
例如TfidfVectorizer中的fit_transform方法就是利用scipy的稀疏矩阵构建并返回term-document矩阵:
稀疏矩阵Compressed Sparse Row (CSR)存储原理:
下面讲解具体实现代码:
# coding: utf-8
from scipy.sparse.csr import csr_matrix
docs = [["hello", "world", "hello"], ["goodbye", "cruel", "world"]]
indptr = [0] # 存放的是行偏移量
indices = [] # 存放的是data中元素对应的列编号(列编号可重复)
data = [] # 存放的是非0数据元素
vocabulary = {} # key是word词汇,value是列编号
for d in docs: # 遍历每个文档
for term in d: # 遍历文档的每个词汇term
# setdefault如果term不存在,则将新term和他的列
# 编号len(vocabulary)加入到词典中,返回他的编号;
# 如果term存在,则不填加,返回已存在的编号
index = vocabulary.setdefault(term, len(vocabulary))
indices.append(index)
data.append(1)
indptr.append(len(indices))
# csr_matrix可以将同一个词汇次数求和
csr_matrix((data, indices, indptr), dtype=int).toarray()
结果:
[[2 1 0 0]
[0 1 1 1]]