了解scikit-learn中的数据格式

Question

我正在尝试在Python 3.x中使用scikit-learn处理多标签文本分类。 我有libsvm格式的数据，正在使用load_svmlight_file模块加载。 数据格式是这样的。

• 314523,165538,76255 1：1 2：1 3：1 4：1 5：1 6：1 7：1 8：1 9：1 10：1 11：1 12：2 13：1
• 410523,230296,368303,75145 8：1 19：2 22：1 24：1 29：1 63：1 68：1 69：3 76：1 82：1 83：1 84：1

这些行中的每一行对应一个文档。 前三个数字是标签，接下来的条目是要素编号及其值。 每个特征对应一个词。

我正在使用此脚本加载数据。

from sklearn.datasets import load_svmlight_file

X,Y = load_svmlight_file("train.csv", multilabel = True, zero_based = True)

我的问题是，当我通过执行诸如print (X[0])查看数据格式时，得到了此输出。

（0，1）1.0

（0，2）1.0

（0，3）1.0

（0，4）1.0

（0，5）1.0

（0，6）1.0

（0，7）1.0

（0，8）1.0

（0，9）1.0

（0，10）1.0

（0，11）1.0

（0，12）2.0

（0，13）1.0

我不了解这种格式的含义。 格式不应该是这样的。

> 1  2  3  4  5  6  7  8  9  10  11  12  13

> 1  1  1  1  1  1  1  1  1   1   1   2   1

我是scikit的新手。 我希望在这方面有所帮助。

Answer 1

这与多标签分类本身无关。 您从load_svmlight_file获得的特征矩阵X是SciPy CSR矩阵 ，如文档中所述，并且它们以一种非常不幸的格式打印：

>>> from scipy.sparse import csr_matrix
>>> X = csr_matrix([[0, 0, 1], [2, 3, 0]])
>>> X
<2x3 sparse matrix of type '<type 'numpy.int64'>'
    with 3 stored elements in Compressed Sparse Row format>
>>> X.toarray()
array([[0, 0, 1],
       [2, 3, 0]])
>>> print(X)
  (0, 2)    1
  (1, 0)    2
  (1, 1)    3