- iOS/Objective-C 元类和类别
- objective-c - -1001 错误,当 NSURLSession 通过 httpproxy 和/etc/hosts
- java - 使用网络类获取 url 地址
- ios - 推送通知中不播放声音
我有一组样本(比如 X),其中包含一些特征(比如 Y),我需要在这些样本上运行一些机器学习算法(比如 PCA)。一种方法是生成矩阵(样本、特征)。我构建矩阵的方法包括 2 个步骤:
例如:考虑下面的例子
sample1 = A, B, D
sample2 = A, C, E
sample3 = A, C, D
生成矩阵
生成这个矩阵的挑战在于,数据非常庞大。行数为 465337,列数为 35526155。
生成池大约需要 20 分钟,尽管速度很慢,但我可以接受。但是在生成矩阵的向量(即行)时,我必须为正在考虑的样本的所有值获取池中该值的索引。
这需要很长时间。有没有更好的方法来查找元素的索引?如果程序本身不是最优的,请让我知道生成矩阵的更好方法。
此外,我只是存储索引并从中构建 CSR 矩阵而不是密集矩阵。
最佳答案
正如我在评论中提到的,您想使用 sklearn.feature_extraction.text.CountVectorizer
为此,使用 binary=True
参数,因为您实际上不需要计数。你这会创建你的编码并输出一个稀疏矩阵来启动!
但是,如果您对您的方法的潜在问题感兴趣,从根本上说,问题是您使用的是序列类型,列表
,其中.index
方法是线性时间 操作。当您尝试使用您的列表时,您会感受到这个事实的痛苦。这是一个草图,说明如何仅使用字典更有效地执行此操作:
In [15]: tokens = list('qwertydfgndjfkgnf')
In [16]: pool = {}
In [17]: for t in tokens:
...: pool.setdefault(t, len(pool))
...:
In [18]: pool
Out[18]:
{'d': 6,
'e': 2,
'f': 7,
'g': 8,
'j': 10,
'k': 11,
'n': 9,
'q': 0,
'r': 3,
't': 4,
'w': 1,
'y': 5}
In [19]: tokens.index('g') # ew, O(n) time complexity
Out[19]: 8
In [20]: pool['g'] # nice! O(1) time complexity
Out[20]: 8
这个池现在包含从 token 到索引的编码。访问索引在这里是恒定时间操作。这将显着提高性能。事实上,由于我们只是开始制作一个 dict
,而不是从一个 set
转换为一个 list
,这将减少你的常数因子增加了很多。
请注意,以上内容本质上是 sklearn
对象正在执行的操作。
https://github.com/scikit-learn/scikit-learn/blob/ab93d65/sklearn/feature_extraction/text.py#L745
但是请注意,他们使用了一个 defaultdict
,它针对这类事情进行了优化,并采用了以下令人愉快的小方法:
In [24]: from collections import defaultdict
In [25]: pool = defaultdict()
In [26]: pool.default_factory = pool.__len__
In [27]: for t in tokens:
...: pool[t]
...:
In [28]: pool
Out[28]:
defaultdict(<method-wrapper '__len__' of collections.defaultdict object at 0x1088aa9f8>,
{'d': 6,
'e': 2,
'f': 7,
'g': 8,
'j': 10,
'k': 11,
'n': 9,
'q': 0,
'r': 3,
't': 4,
'w': 1,
'y': 5})
它们还构建了稀疏表示,因为它们遍历文档,因此它们实际上只对数据集进行一次遍历。所以 sklearn 对象与你将要得到的一样优化。 sklearn 源代码实际上非常平易近人,值得一试的是,它们仅使用纯 python 完成了哪些工作,没有 Cython 扩展或其他任何东西。
关于python - 在列表中查找元素索引的最快方法,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/44977040/
我正在处理一组标记为 160 个组的 173k 点。我想通过合并最接近的(到 9 或 10 个组)来减少组/集群的数量。我搜索过 sklearn 或类似的库,但没有成功。 我猜它只是通过 knn 聚类
我有一个扁平数字列表,这些数字逻辑上以 3 为一组,其中每个三元组是 (number, __ignored, flag[0 or 1]),例如: [7,56,1, 8,0,0, 2,0,0, 6,1,
我正在使用 pipenv 来管理我的包。我想编写一个 python 脚本来调用另一个使用不同虚拟环境(VE)的 python 脚本。 如何运行使用 VE1 的 python 脚本 1 并调用另一个 p
假设我有一个文件 script.py 位于 path = "foo/bar/script.py"。我正在寻找一种在 Python 中通过函数 execute_script() 从我的主要 Python
这听起来像是谜语或笑话,但实际上我还没有找到这个问题的答案。 问题到底是什么? 我想运行 2 个脚本。在第一个脚本中,我调用另一个脚本,但我希望它们继续并行,而不是在两个单独的线程中。主要是我不希望第
我有一个带有 python 2.5.5 的软件。我想发送一个命令,该命令将在 python 2.7.5 中启动一个脚本,然后继续执行该脚本。 我试过用 #!python2.7.5 和http://re
我在 python 命令行(使用 python 2.7)中,并尝试运行 Python 脚本。我的操作系统是 Windows 7。我已将我的目录设置为包含我所有脚本的文件夹,使用: os.chdir("
剧透:部分解决(见最后)。 以下是使用 Python 嵌入的代码示例: #include int main(int argc, char** argv) { Py_SetPythonHome
假设我有以下列表,对应于及时的股票价格: prices = [1, 3, 7, 10, 9, 8, 5, 3, 6, 8, 12, 9, 6, 10, 13, 8, 4, 11] 我想确定以下总体上最
所以我试图在选择某个单选按钮时更改此框架的背景。 我的框架位于一个类中,并且单选按钮的功能位于该类之外。 (这样我就可以在所有其他框架上调用它们。) 问题是每当我选择单选按钮时都会出现以下错误: co
我正在尝试将字符串与 python 中的正则表达式进行比较,如下所示, #!/usr/bin/env python3 import re str1 = "Expecting property name
考虑以下原型(prototype) Boost.Python 模块,该模块从单独的 C++ 头文件中引入类“D”。 /* file: a/b.cpp */ BOOST_PYTHON_MODULE(c)
如何编写一个程序来“识别函数调用的行号?” python 检查模块提供了定位行号的选项,但是, def di(): return inspect.currentframe().f_back.f_l
我已经使用 macports 安装了 Python 2.7,并且由于我的 $PATH 变量,这就是我输入 $ python 时得到的变量。然而,virtualenv 默认使用 Python 2.6,除
我只想问如何加快 python 上的 re.search 速度。 我有一个很长的字符串行,长度为 176861(即带有一些符号的字母数字字符),我使用此函数测试了该行以进行研究: def getExe
list1= [u'%app%%General%%Council%', u'%people%', u'%people%%Regional%%Council%%Mandate%', u'%ppp%%Ge
这个问题在这里已经有了答案: Is it Pythonic to use list comprehensions for just side effects? (7 个答案) 关闭 4 个月前。 告
我想用 Python 将两个列表组合成一个列表,方法如下: a = [1,1,1,2,2,2,3,3,3,3] b= ["Sun", "is", "bright", "June","and" ,"Ju
我正在运行带有最新 Boost 发行版 (1.55.0) 的 Mac OS X 10.8.4 (Darwin 12.4.0)。我正在按照说明 here构建包含在我的发行版中的教程 Boost-Pyth
学习 Python,我正在尝试制作一个没有任何第 3 方库的网络抓取工具,这样过程对我来说并没有简化,而且我知道我在做什么。我浏览了一些在线资源,但所有这些都让我对某些事情感到困惑。 html 看起来
我是一名优秀的程序员,十分优秀!