[英]Create sparse matrix for two columns in a Pandas Dataframe
我正在尝试从 Pandas 数据集(> 10Gb)中创建一个稀疏矩阵
假设我有一个类型的数据集
表:类
student |teacher
---------------------
0 | abc | a
1 | def | g
我有一份学生名单
students = [ "abc", "def", "ghi", "jkl","mno"]
和教师名单
teachers = ["a","b","c","d","e","f","g"]
我的目标是从它们中创建一个稀疏矩阵,如果表 Class 中的学生-教师之间存在对应关系,则有一个布尔值 1。
密集矩阵应如下所示:
a b c d e f g
abc 1 0 0 0 0 0 0
def 0 0 0 0 0 0 1
ghi 0 0 0 0 0 0 0
jkl 0 0 0 0 0 0 0
mno 0 0 0 0 0 0 0
现在在我的真实数据集中,我有 70 万个学生值和另外 10 万个教师值。
最初我尝试构建一个简单的密集矩阵,然后使用 scipy 将其转换为稀疏矩阵。 但是,700k*100k 字节 = ~70GB 并且您可以意识到它不起作用。
因此,我尝试为学生和教师分配唯一值,然后将这些值附加到行和列,并尝试以坐标格式创建稀疏矩阵。
代码:
# Get unique value for each student and teacher
dictstudent = {}
count = 0
for i in rows:
dictstudent[i] = count
count +=1
dictteacher ={}
count = 0
for i in cols:
dictteacher[i] = count
count +=1
现在每个老师和学生都有一个与之关联的数字。 如果表class中出现student的数值,将teacher的数值存放在r和c中。
r = []
c = []
for row,col in zip(student,teacher):
r.append(dictstudent[row])
c.append(dictteacher[col])
values = [1] * class["student"].size #From the pandas dataframe class
然后加载它做一个稀疏矩阵
a = sparse.coo_matrix((values,(r,c)),shape=(len(students),len(teachers)))
这适用于我的小型测试数据集。 然而,对于我实际的大型数据集,它崩溃了。
有没有更好的方法来做到这一点?
您可以将列转换为类别类型,然后使用codes
创建coo_matrix
对象:
import numpy as np
import string
import random
import pandas as pd
from scipy import sparse
lowercase = list(string.ascii_lowercase)
students = np.random.choice(lowercase, size=[20, 3]).view("<U3").ravel().tolist()
teachers = np.random.choice(lowercase, 8).tolist()
df = pd.DataFrame({"student": [random.choice(students) for _ in range(30)],
"teacher": [random.choice(teachers) for _ in range(30)]})
df = df.apply(lambda s:s.astype("category"))
arr = sparse.coo_matrix((np.ones(df.shape[0]),
(df.student.cat.codes, df.teacher.cat.codes)))
您可以通过df.student.cat.categories
和df.teacher.cat.categories
获取标签。
这是实现这一目标的简单方法
import pandas as pd
dummies = pd.get_dummies(df['teacher'])
new_columns = dummies.columns
long_and_sparse = df.merge(dummies, left_index=True, right_index=True)
sparse_df = long_and_sparse.groupby(["student"], as_index=False)[new_columns].max()
声明:本站的技术帖子网页,遵循CC BY-SA 4.0协议,如果您需要转载,请注明本站网址或者原文地址。任何问题请咨询:yoyou2525@163.com.