python - sklearn 中的特征哈希

Question

我在 scikit-learn 中使用 FeatureHasher。

任何人都可以解释为什么我在稀疏矩阵中最终得到 4 个非零数据而不是以下之后的 2 个:

>>> f = FeatureHasher(input_type='string')
>>> g = f.transform(('as','bs'))
<2x1048576 sparse matrix of type '<type 'numpy.float64'>'
with 4 stored elements in Compressed Sparse Row format>
>>> g.data
array([-1.,  1., -1., -1.])
>>> g.nonzero()
(array([0, 0, 1, 1], dtype=int32), array([341263, 354738,  98813, 341263], dtype=int32))

Answer 1

看起来正在等待一系列的序列。外部序列用于观察，内部序列用于特征。根据您的输入，内部序列是字符串的字符。

观察 0:'a' -> 354738，'s' -> 341263

观察 1:'b' -> 98813，'s' -> 341263

试试这个:

g = f.transform([['as'],['bs']])

对于输出:

>>> g.nonzero()
(array([0, 1], dtype=int32), array([494108, 335425], dtype=int32))