【问题标题】：Add column to Tfidf matrix将列添加到 Tfidf 矩阵
【发布时间】：2015-06-21 14:19:05
【问题描述】：

我想使用单词以及一些附加功能（例如，有链接）来构建文本分类模型

tweets = ['this tweet has a link htt://link','this one does not','this one does http://link.net']

我使用 sklearn 来获取我的文本数据的稀疏矩阵

tfidf_vectorizer = TfidfVectorizer(max_df=0.90, max_features=200000, min_df=0.1, stop_words='english', use_idf=True, ntlk.tokenize,ngram_range=(1,2))

tfidf_matrix = tfidf_vectorizer.fit_transform(tweets)

我想向它添加列以支持我的文本数据的其他功能。我试过了：

import scipy as sc

all_data = sc.hstack((tfidf_matrix, [1,0,1]))

这给了我如下所示的数据：

array([ <3x8 sparse matrix of type '<type 'numpy.float64'>' with 10 stored elements in Compressed Sparse Row format>, 1, 1, 0], dtype=object)

当我将此数据框提供给模型时：

`from sklearn.naive_bayes import MultinomialNB
 clf = MultinomialNB().fit(all_data, y)`

我得到一个回溯错误：

`Traceback (most recent call last):
 File "<stdin>", line 1, in <module>
 File "C:\Anaconda\lib\site- packages\spyderlib\widgets\externalshell\sitecustomize.py", line 580, in   runfile
 execfile(filename, namespace)
 File "C:/Users/c/Desktop/features.py", line 157, in <module>
 clf = MultinomialNB().fit(all_data, y)
File "C:\Anaconda\lib\site-packages\sklearn\naive_bayes.py", line 302, in  fit
_, n_features = X.shape

ValueError：需要超过 1 个值才能解压`

编辑：数据的形状

`tfidf_matrix.shape
 (100, 2)
 all_data.shape
 (100L,)`

我可以将列直接附加到稀疏矩阵吗？如果没有，我应该如何将数据转换为可以支持的格式？我担心稀疏矩阵以外的东西会增加内存占用。

【问题讨论】：

请发布整个回溯。
与MultinomialNB().fit(tfidf_matrix, y) 一起工作吗？
@AlexPlugaru 你好，亚历克斯。它有效，我只使用 tfidf_matrix。不尝试附加另一列。
shape 和tfidf_matrix 和all_data 的shape 是什么可能不匹配？也许你应该这样做： all_data = sc.hstack((tfidf_matrix, [[1],[0],[1]])) 在这里解释：docs.scipy.org/doc/scipy/reference/generated/…
似乎缺少特征的形状。也许你应该做一个重塑：all_data.reshape(tfidf_matrix.shape)

标签： python scipy scikit-learn nltk

【解决方案1】：

“我可以将列直接附加到稀疏矩阵吗？” - 是的。您可能应该这样做，因为解包（使用 todense 或 toarray）很容易导致大型语料库中的内存爆炸。

使用scipy.sparse.hstack：

import numpy as np
import scipy as sp
from sklearn.feature_extraction.text import TfidfVectorizer

tweets = ['this tweet has a link htt://link','this one does not','this one does http://link.net']
tfidf_vectorizer = TfidfVectorizer()
tfidf_matrix = tfidf_vectorizer.fit_transform(tweets)
print tfidf_matrix.shape

(3, 10)

new_column = np.array([[1],[0],[1]])
print new_column.shape

(3, 1)

final = sp.sparse.hstack((tfidf_matrix, new_column))
print final.shape

(3, 11)

【讨论】：

【解决方案2】：

将稀疏矩阵转换为密集矩阵

import numpy as np
from sklearn.feature_extraction.text import TfidfVectorizer
tweets = ['this tweet has a link htt://link','this one does not','this one does http://link.net']

tfidf_vectorizer = TfidfVectorizer()
tfidf_matrix = tfidf_vectorizer.fit_transform(tweets)
dense = tfidf_matrix.todense()
print dense.shape

newCol = [[1],[0],[1]]

allData = np.append(dense, newCol, 1)

print allData.shape

(3L, 10L)

(3L, 11L)

【讨论】：

【解决方案3】：

这是正确的形式：

all_data = sc.hstack([tfidf_matrix, sc.csr_matrix([1,0,1]).T], 'csr')

【讨论】：