如何使 TF-IDF 矩阵密集？

Question

我正在使用TfidfVectorizer 将原始文档集合转换为 TF-IDF 特征矩阵，然后我计划将其输入到 k-means 算法（我将实现）。在该算法中，我将不得不计算质心（文章类别）和数据点（文章）之间的距离。我将使用欧几里得距离，所以我需要这两个实体具有相同的维度，在我的情况下为max_features。这是我所拥有的：

tfidf = TfidfVectorizer(max_features=10, strip_accents='unicode', analyzer='word', stop_words=stop_words.extra_stopwords, lowercase=True, use_idf=True)
X = tfidf.fit_transform(data['Content']) # the matrix articles x max_features(=words)
for i, row in enumerate(X):
    print X[i]

但是X 似乎是一个稀疏（？）矩阵，因为输出是：

  (0, 9)    0.723131915847
  (0, 8)    0.090245047798
  (0, 6)    0.117465276892
  (0, 4)    0.379981697363
  (0, 3)    0.235921470645
  (0, 2)    0.0968780456528
  (0, 1)    0.495689001273

  (0, 9)    0.624910843051
  (0, 8)    0.545911131362
  (0, 7)    0.160545991411
  (0, 5)    0.49900042174
  (0, 4)    0.191549050212

  ...

我认为(0, col) 表示矩阵中的列索引，它实际上就像一个数组，其中每个单元格都指向一个列表。

如何将此矩阵转换为密集矩阵（以便每一行具有相同的列数）？

---

>print type(X)
<class 'scipy.sparse.csr.csr_matrix'>

Answer 1

这应该很简单：

dense = X.toarray()

TfIdfVectorizer.fit_transform() 正在返回一个 SciPy csr_matrix()（压缩稀疏行矩阵），它有一个专门用于此目的的 toarray() 方法。 SciPy 中有多种格式的稀疏矩阵，但它们都有一个.toarray() 方法。

请注意，对于大型矩阵，与稀疏矩阵相比，这将使用大量内存，因此通常尽可能长时间保持稀疏是一个好方法。