Scipy 稀疏矩阵作为 DataFrame 列
Posted
技术标签:
【中文标题】Scipy 稀疏矩阵作为 DataFrame 列【英文标题】:Scipy sparse matrix as DataFrame column 【发布时间】:2017-01-19 11:00:01 【问题描述】:我正在开发基于 pandas DataFrame 对象的工具。我想将 scipy 稀疏矩阵保留为 DataFrame 的列,而不是将其逐行转换为 dtype('O') 的列表/numpy 数组。
下面的 sn-p 不起作用,因为 pandas 将矩阵视为标量,并建议添加索引。在矩阵中的行索引上提供 pd.RangeIndex 时,矩阵会针对数据帧中的每一行重复(因为 pandas 认为它是一个标量)。
ma = scipy.sparse.rand(10, 100, 0.1, 'csr', dtype=np.float64)
df = pd.DataFrame(dict(X=ma))
这确实有效:
df = pd.DataFrame(dict(X=list(ma)))
但是,这会将矩阵逐行分割为 CSR 矩阵,每行 1 行。每次我想处理原始矩阵时,我都需要 vstack。
有什么建议吗?我尝试将 CSR 矩阵包装到 pd.Series 对象中,假装它具有 dtype('O'),但我遇到了很多关于底层数据是 numpy 数组等的假设。
【问题讨论】:
【参考方案1】:存在稀疏数据框或数据序列功能。它仍然是实验性的。我已经回答了一些关于在它和scipy
稀疏矩阵之间来回转换的问题。
从侧边栏:
Populate a Pandas SparseDataFrame from a SciPy Sparse Coo Matrix
如果没有这种专门的 pandas 结构,我看不到如何将稀疏矩阵添加到 pandas 框架中。稀疏矩阵的内部结构差异太大。首先,它不是 numpy 数组的子类。
csr
矩阵是一个对象,其数据包含在 3 个数组中,ma.data
和 ma.indices
是一维数组,数组的每个非零元素都有一个值。 ma.indptr
对矩阵的每一行都有一个值。
list(ma)
毫无意义。 ma.toarray()
生成一个包含相同数据的二维数组,并且所有这些零也会被填充。
其他稀疏矩阵格式将它们的数据存储在其他结构中 - coo
有 3 个等长数组,lil
有两个列表列表,dok
有一个字典。
【讨论】:
感谢@hpaulj 的回复。我实际上对通过 Pandas 逐列访问 SciPy 矩阵不感兴趣,只对逐行或整个矩阵进行访问。我了解内存布局级别上 ndarray 和稀疏矩阵类型之间的不匹配。我希望有一个抽象,两者都可以适应...list(ma)
并非毫无意义,至少对于 CSR 矩阵,它为原始 CSR 矩阵中的每一行创建一行的 CSR 矩阵。
我看不出如何将密集或稀疏的矩阵 (2d) 用作 Dataframe 的列。我相信pandas
会尝试将二维数组的列映射到相同数量的列上。单元格也可以是对象指针,但不能是整列。但我对 numpy 和 scipy 的了解胜过 pandas。
再次感谢。我明白。将是存储特征向量的 CSR 矩阵的方便位置,其中非常行对应于例如DataFrame 的另一列中的标签,并且能够访问底层 CSR 矩阵 将其复制或堆叠在一起。不能拥有我猜的一切:)【参考方案2】:
诚然,这并不能准确回答您的问题,但如果有人正在寻找一种快速的解决方法,并且不介意将矩阵存储为密集的低效,则可以这样做:
df = pd.DataFrame(X=ma.todense().tolist())
【讨论】:
以上是关于Scipy 稀疏矩阵作为 DataFrame 列的主要内容,如果未能解决你的问题,请参考以下文章