Python：在Pandas中计算两列之间的tf-idf余弦相似性时的MemoryError

Question

我正在尝试计算Pandas数据帧中两列之间的tf-idf向量余弦相似度。 一列包含搜索查询，另一列包含产品标题。 余弦相似度值旨在成为搜索引擎/排名机器学习算法的“特征”。

我在iPython笔记本中这样做，不幸的是遇到了MemoryErrors，并且在经过几个小时的挖掘后我不确定为什么。

我的设置：

• 联想E560笔记本电脑
• Core i7-6500U @ 2.50 GHz
• 16 GB Ram
• Windows 10
• 使用anaconda 3.5内核以及所有库的全新更新

我根据类似的stackoverflow问题在小玩具数据集上测试了我的代码/目标：

import pandas as pd
from sklearn.feature_extraction.text import TfidfVectorizer
from scipy import spatial

clf = TfidfVectorizer()

a = ['hello world', 'my name is', 'what is your name?', 'max cosine sim']
b = ['my name is', 'hello world', 'my name is what?', 'max cosine sim']

df = pd.DataFrame(data={'a':a, 'b':b})

clf.fit(df['a'] + " " + df['b'])

tfidf_a = clf.transform(df['a']).todense()
tfidf_b = clf.transform(df['b']).todense()

row_similarities = [1 - spatial.distance.cosine(tfidf_a[x],tfidf_b[x]) for x in range(len(tfidf_a)) ]

df['tfidf_cosine_similarity'] = row_similarities

print(df)

这给出了以下（好！）输出：

                   a                 b  tfidf_cosine_similarity
0         hello world        my name is                 0.000000
1          my name is       hello world                 0.000000
2  what is your name?  my name is what?                 0.725628
3      max cosine sim    max cosine sim                 1.000000

但是，当我尝试将相同的方法应用于维度为186,154 x 5的数据框（df_all_export）时（查询（search_term）和文档（product_title）的5列中的2列如此：

clf.fit(df_all_export['search_term'] + " " + df_all_export['product_title'])

tfidf_a = clf.transform(df_all_export['search_term']).todense()
tfidf_b = clf.transform(df_all_export['product_title']).todense()

row_similarities = [1 - spatial.distance.cosine(tfidf_a[x],tfidf_b[x]) for x in range(len(tfidf_a)) ]
df_all_export['tfidf_cosine_similarity'] = row_similarities

df_all_export.head()

我得到了......（这里没有给出完整的错误，但是你明白了）：

MemoryError                               Traceback (most recent call last)
<ipython-input-27-8308fcfa8f9f> in <module>()
     12 clf.fit(df_all_export['search_term'] + " " + df_all_export['product_title'])
     13 
---> 14 tfidf_a = clf.transform(df_all_export['search_term']).todense()
     15 tfidf_b = clf.transform(df_all_export['product_title']).todense()
     16

绝对迷失在这一个，但我担心解决方案将非常简单和优雅:)

先感谢您！

Answer 1

您仍然可以使用sklearn.metrics.pairwise方法处理sparsed matrixes / arrays：

# I've executed your example up to (including):
# ...
clf.fit(df['a'] + " " + df['b'])

A = clf.transform(df['a'])

B = clf.transform(df['b'])

from sklearn.metrics.pairwise import *

paired_cosine_distances将显示您的字符串有多远或多少不同（比较两列中的值“逐行”）

0 - 表示完全匹配

In [136]: paired_cosine_distances(A, B)
Out[136]: array([ 1.        ,  1.        ,  0.27437247,  0.        ])

cosine_similarity将比较列a第一个字符串和列b所有字符串（ 第1行 ）; 柱的第二串a与列中的所有串b （ 第2行 ）等等...

In [137]: cosine_similarity(A, B)
Out[137]:
array([[ 0.        ,  1.        ,  0.        ,  0.        ],
       [ 1.        ,  0.        ,  0.74162106,  0.        ],
       [ 0.43929881,  0.        ,  0.72562753,  0.        ],
       [ 0.        ,  0.        ,  0.        ,  1.        ]])

In [141]: A
Out[141]:
<4x10 sparse matrix of type '<class 'numpy.float64'>'
        with 12 stored elements in Compressed Sparse Row format>

In [142]: B
Out[142]:
<4x10 sparse matrix of type '<class 'numpy.float64'>'
        with 12 stored elements in Compressed Sparse Row format>

注意：所有计算都是使用稀疏矩阵 - 我们没有在内存中解压缩它们！

Answer 2

通过上面MaxU发布的亲切帮助和解决方案，我在这里展示了完成我试图实现的任务的完整代码。 除了MemoryError之外，当我尝试一些“hacky”变通方法时，它还会避免在余弦相似度计算中出现奇怪的nans。

注意下面的代码是一个部分片段，在这个意义上，已经在完整代码中构造了尺寸为186,134 x 5的大数据帧df_all_export 。

我希望这有助于其他试图在搜索查询和匹配文档之间使用tf-idf向量计算余弦相似度的人。 对于这样一个常见的“问题”，我很难找到一个用SKLearn和Pandas实现的明确解决方案。

import pandas as pd
from sklearn.feature_extraction.text import TfidfVectorizer
from sklearn.metrics.pairwise import paired_cosine_distances as pcd

clf = TfidfVectorizer()

clf.fit(df_all_export['search_term'] + " " + df_all_export['product_title'])

A = clf.transform(df_all_export['search_term'])
B = clf.transform(df_all_export['product_title'])

cosine = 1 - pcd(A, B)

df_all_export['tfidf_cosine'] = cosine