使用 cv.fit_transform(corpus).toarray() 的内存错误

Posted 2023-03-13

【中文标题】使用 cv.fit_transform(corpus).toarray() 的内存错误

【英文标题】：Memory error using cv.fit_transform(corpus).toarray()

【发布时间】：2017-11-07 01:28:36

【问题描述】：

如果有人可以帮助 cv.fit_transform(corpus).toarray() 处理大小约为 732066 x

我是这样开始的

# Importing the libraries
import numpy as np
import matplotlib.pyplot as plt
import pandas as pd


# Importing the dataset
cols = ["text","geocoordinates0","geocoordinates1","grid"]
dataset = pd.read_csv('tweets.tsv', delimiter = '\t', usecols=cols, quoting = 3, error_bad_lines=False, low_memory=False)

# Removing Non-ASCII characters
def remove_non_ascii_1(dataset):
    return ''.join([i if ord(i) < 128 else ' ' for i in dataset])

# Cleaning the texts
import re
import nltk
nltk.download('stopwords')
from nltk.corpus import stopwords
from nltk.stem.porter import PorterStemmer
corpus = []
for i in range(0, 732066):
    review = re.sub('[^a-zA-Z]', ' ', str(dataset['text'][i]))
    review = review.lower()
    review = review.split()
    ps = PorterStemmer()
    review = [ps.stem(word) for word in review if not word in set(stopwords.words('english'))]
    review = ' '.join(review)
    corpus.append(review)

# Creating the Bag of Words model
from sklearn.feature_extraction.text import CountVectorizer
cv = CountVectorizer()
X = cv.fit_transform(corpus).toarray()
y = dataset.iloc[:, 3].values

# Splitting the dataset into the Training set and Test set
from sklearn.cross_validation import train_test_split
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size = 0.20, random_state = 0)

# Fitting Naive Bayes to the Training set
from sklearn.naive_bayes import GaussianNB
classifier = GaussianNB()
classifier.fit(X_train, y_train)

# Predicting the Test set results
y_pred = classifier.predict(X_test)

# Making the Confusion Matrix
from sklearn.metrics import confusion_matrix
cm = confusion_matrix(y_test, y_pred)

# Applying k-Fold Cross Validation
from sklearn.model_selection import cross_val_score
accuracies = cross_val_score(estimator = classifier, X = X_train, y = y_train, cv = 10)
accuracies.mean()
accuracies.std()

下面是输出错误：

X = cv.fit_transform(corpus).toarray() Traceback（最近调用 最后）：

文件“”，第 1 行，在 X = cv.fit_transform(corpus).toarray()

文件 "C:\Anaconda3\envs\py35\lib\site-packages\scipy\sparse\compressed.py", 第 920 行，在 toarray 中 return self.tocoo(copy=False).toarray(order=order, out=out)

文件 "C:\Anaconda3\envs\py35\lib\site-packages\scipy\sparse\coo.py", 第 252 行，在 toarray 中 B = self._process_toarray_args(order, out)

文件 "C:\Anaconda3\envs\py35\lib\site-packages\scipy\sparse\base.py", 第 1009 行，在 _process_toarray_args return np.zeros(self.shape, dtype=self.dtype, order=order)

内存错误

非常感谢！

PS：按照@Kumar 的建议删除数组列表并使用 MultinomiaNB 后，我现在遇到以下错误：

from sklearn.naive_bayes import MultinomialNB 
classifier = MultinomialNB()
classifier.fit(X_train, y_train)

Traceback（最近一次调用最后一次）：

文件“”，第 1 行，在 分类器.fit(X_train, y_train)

文件 "C:\Anaconda3\envs\py35\lib\site-packages\sklearn\naive_bayes.py", 第 566 行，合适 Y = labelbin.fit_transform(y)

文件 "C:\Anaconda3\envs\py35\lib\site-packages\sklearn\base.py", 第 494 行，在 fit_transform 中 return self.fit(X, **fit_params).transform(X)

文件 "C:\Anaconda3\envs\py35\lib\site-packages\sklearn\preprocessing\label.py", 第 296 行，合适 self.y_type_ = type_of_target(y)

文件 "C:\Anaconda3\envs\py35\lib\site-packages\sklearn\utils\multiclass.py", 第 275 行，在 type_of_target 中 if (len(np.unique(y)) > 2) 或 (y.ndim >= 2 and len(y[0]) > 1):

文件 "C:\Anaconda3\envs\py35\lib\site-packages\numpy\lib\arraysetops.py", 第 198 行，独特的 ar.sort()

TypeError：不可排序的类型：str() > float()

【问题讨论】：

这个错误是因为 CountVectorizer 的输出是一个稀疏矩阵，当你在它上面调用 toarray() 时，它变成了一个普通数组，占用比它的稀疏对应物大得多的内存。为什么要做toarray()？你能在它下面显示代码吗，我的意思是你在其中发送 X 和 y。大多数估计器都支持稀疏矩阵。

好的，我看到你正在使用 GaussianNB。不幸的是，这似乎不支持稀疏矩阵。您使用它有什么具体原因吗？如果没有，那么您可以使用 MultinomialNB 进行分类任务。有关详细信息，请参阅this issue。

我可以使用您提到的 MNB，但在应用 ML 分类器算法之前，我仍然需要将语料库转换为数组来创建词袋。这就是我卡住的地方

不，这就是我要说的。执行X = cv.fit_transform(corpus)，并在以下所有代码中使用 X。就训练而言，无需从中创建数组。即使在测试期间，您也可以使用稀疏矩阵。

@Kumar 为了清楚起见，请您发布您修改后的代码版本作为问题的答案。谢谢

【参考方案1】：

我的意思是，删除 .toarray() 并将 GaussianNB 替换为 MultinomialNB。

.... 
....
# Other code
....
....

X = cv.fit_transform(corpus)
y = dataset.iloc[:, 3].values

# Splitting the dataset into the Training set and Test set
from sklearn.cross_validation import train_test_split
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size = 0.20, random_state = 0)

# Fitting Naive Bayes to the Training set
from sklearn.naive_bayes import MultinomialNB
classifier = MultinomialNB()
classifier.fit(X_train, y_train)

# Predicting the Test set results
y_pred = classifier.predict(X_test)

.... 
....
# Other code

【讨论】：

@Kumar 对此表示感谢，但是，我现在有另一个错误文件“C:\Anaconda3\envs\py35\lib\site-packages\numpy\lib\arraysetops.py”，第 198 行，在unique ar.sort() TypeError: unorderable types: str() > float()

@SeunAJAO 你能发布完整的错误堆栈跟踪吗？它在哪一行？

我在上面的问题中添加了错误堆栈跟踪作为后置脚本（评论太长）

@Kumar 我刚刚查看了数据集，我似乎遇到了 y 输出标签的问题 - 见上图。我想这是分类器错误的根源。我会正确清理数据集感谢您的帮助伙伴:)