python - 如何有效地创建遍历 python 中的大量列表？

Question

我有这样的数据:

data = {'x':Counter({'a':1,'b':45}), 'y':Counter({'b':1, 'c':212})}

我的标签是 data 的键，内部字典的键是特征:

all_features = ['a','b','c']
all_labels = ['x','y']

我需要这样创建列表列表:

[[data[label][feat] for feat in all_features] for label in all_labels]

[输出]:

[[1, 45, 0], [0, 1, 212]]

我的len(all_features) 是~5,000,000 而len(all_labels) 是~100,000

最终目的是创建scipy稀疏矩阵，例如:

from collections import Counter
from scipy.sparse import csc_matrix
import numpy as np


all_features = ['a','b','c']
all_labels = ['x','y']

csc_matrix(np.array([[data[label][feat] for feat in all_features] for label in all_labels]))

但是遍历一个大列表的列表是相当低效的。

那么我怎样才能高效地查看大列表呢？

是否有其他方法可以从 data 创建 scipy 矩阵而不循环遍历所有特征和标签？

Answer 1

将字典的字典转换为 numpy 或 scipy 数组，正如您所体验的那样，并不是很有趣。如果您事先知道 all_features 和 all_labels，您最好从一开始就使用 scipy 稀疏 COO 矩阵来保持计数。

无论是否可行，您都希望按排序顺序排列特征和标签列表，以加快查找速度。所以我将假设以下内容不会更改任何一个数组:

all_features = np.array(all_features)
all_labels = np.array(all_labels)
all_features.sort()
all_labels.sort()

让我们按照它们在字典中的存储顺序提取 data 中的标签，并查看每个项目落在 all_labels 中的什么位置:

labels = np.fromiter(data.iterkeys(), all_labels.dtype, len(data))
label_idx = np.searchsorted(all_labels, labels)

现在让我们计算每个标签有多少个特征，并从中计算稀疏数组中非零项的数量:

label_features = np.fromiter((len(c) for c in data.iteritems()), np.intp,
                             len(data))
indptr = np.concatenate(([0], np.cumsum(label_features)))
nnz = indptr[-1]

现在，我们提取每个标签的特征及其对应的计数

import itertools
features_it = itertools.chain(*(c.iterkeys() for c in data.itervalues()))
features = np.fromiter(features_it, all_features.dtype, nnz)
feature_idx = np.searchsorted(all_features, features)
counts_it = itertools.chain(*(c.itervalues() for c in data.itervalues()))
counts = np.fromiter(counts_it, np.intp, nnz)

利用我们所拥有的，我们可以直接创建一个 CSR 矩阵，其中标签作为行，特征作为列:

sps_data = csr_matrix((counts, feature_idx, indptr),
                      shape=(len(all_labels), len(all_features)))

唯一的问题是这个稀疏数组的行不是按照 all_labels 的顺序排列的，而是按照遍历 data 时它们出现的顺序排列的。但是我们有 feature_idx 告诉我们每个标签在哪里结束，我们可以通过执行以下操作重新排列行:

sps_data = sps_data[np.argsort(label_idx)]

是的，它很困惑，令人困惑，而且可能不是很快，但它确实有效，而且它的内存效率会比您在问题中提出的要高得多:

>>> sps_data.A
array([[  1,  45,   0],
       [  0,   1, 212]], dtype=int64)
>>> all_labels
array(['x', 'y'], 
      dtype='<S1')
>>> all_features
array(['a', 'b', 'c'], 
      dtype='<S1')