如何从一个有功能列表字符串的TSV变成一个Python中的CSR矩阵？

问题描述

我一直在使用一些R包，它们从稀疏二进制矩阵计算(余弦)(稀疏)相似矩阵，例如proxyC。

由于我现在也开始(并学习)使用python，而且有人告诉我它可能会更快，所以我想尝试在那里运行相同的计算。

我发现了这个有趣的帖子：

What's the fastest way in Python to calculate cosine similarity given sparse matrix data?

其中介绍了几种方法。

我自己手写了一个小测试矩阵后，确实尝试了其中的一些。
现在我想试一试"真实"数据。
这就是我遇到了一个目前无法解决的问题。

我的数据来自TSV文件，这些文件将对象(ID)与逗号分隔的功能列表(FP)相关联。例如：

ID  FP
1   A,B,C
2   A,D
3   C,D,F
4   A,F
5   E,H,M

我需要将其转换为稀疏二进制矩阵。
即使在R中，我也花了一些时间来找出最好的方法。
I首先strsplitFP按逗号列出，将FP列从字符向量转换为字符向量列表。然后我unlistFP，重复每个ID与FP向量中的lengths一样多的次数，得到如下结果：

ID  FP
1   A
1   B
1   C
2   A
2   D
3   C
3   D
3   F
4   A
4   F
5   E
5   H
5   M

和我通过xtabs：

生成稀疏二进制特征矩阵

5 x 8 sparse Matrix of class "dgCMatrix"
    FP
  ID A B C D E F H M
   1 1 1 1 . . . . .
   2 1 . . 1 . . . .
   3 . . 1 1 . 1 . .
   4 1 . . . . 1 . .
   5 . . . . 1 . 1 1

我相信在python中可以做到这一点(在这种情况下，从TSV文件到CSR矩阵，就像我链接的帖子中一样)，但我仍然是一个初学者，我怀疑我需要很长时间才能弄清楚所有细节并将其弄清楚。

有人能帮我/指给我一些用例子描述必要步骤的帖子吗？

谢谢！

---

解决方案

import pandas as pd
df = pd.DataFrame({'ID':[1,2,3], 'FP':["A,B,C","A,D","C,D,F"]})

>>> df
   ID     FP
0   1  A,B,C
1   2    A,D
2   3  C,D,F

拆分列并将其分解为长表

df['FP'] = df['FP'].str.split(",")
df = df.explode(column="FP")

>>> df
   ID FP
0   1  A
0   1  B
0   1  C
1   2  A
1   2  D
2   3  C
2   3  D
2   3  F

对分类列进行编码

df['FP'] = df['FP'].astype('category')

将其写入稀疏矩阵：

from scipy.sparse import csr_matrix
import numpy as np

mat = csr_matrix((np.ones(df.shape[0]), (df['ID'], df['FP'].cat.codes)))

>>> mat.A
array([[0., 0., 0., 0., 0.],
       [1., 1., 1., 0., 0.],
       [1., 0., 0., 1., 0.],
       [0., 0., 1., 1., 1.]])

确保跟踪哪些列是哪些分类级别。如果您愿意，也可以对ID列进行编码(如果它们不是0索引的整数，这可能是一个好主意)。

df['ID'] = df['ID'].astype('category')
mat = csr_matrix((np.ones(df.shape[0]), (df['ID'].cat.codes, df['FP'].cat.codes)))

>>> mat.A
array([[1., 1., 1., 0., 0.],
       [1., 0., 0., 1., 0.],
       [0., 0., 1., 1., 1.]])

同样，记录您的分类级别。