将大 csv 转换为稀疏矩阵以用于 sklearn

Question

我有一个以 csv 格式保存的 ~30GB（~1.7 GB 压缩 | 180K 行 x 32K 列）矩阵。 我想将此矩阵转换为稀疏格式，以便能够在 memory 中加载完整的数据集，以便使用 sklearn 进行机器学习。 填充的单元格包含小于 1 的浮点数。大矩阵的一个警告是目标变量存储为最后一列。 允许在 sklearn 中使用这个大矩阵的最佳方法是什么？ IE如何在不将原始矩阵加载到 memory 的情况下将 ~30GB csv 转换为 scipy 稀疏格式？

伪代码

1. 删除目标变量（保持顺序不变）
2. 将 ~30 GB 矩阵转换为稀疏格式（帮助！！ ）
3. 将稀疏格式加载到 memory 和目标变量中以运行机器学习管道（我该怎么做？）

Answer 1

您可以很容易地在 memory 中按行构建稀疏矩阵：

import numpy as np
import scipy.sparse as sps

input_file_name = "something.csv"
sep = "\t"

def _process_data(row_array):
    return row_array

sp_data = []
with open(input_file_name) as csv_file:
    for row in csv_file:
        data = np.fromstring(row, sep=sep)
        data = _process_data(data)
        data = sps.coo_matrix(data)
        sp_data.append(data)


sp_data = sps.vstack(sp_data)

这将更容易写入 hdf5，这是一种比文本文件更好的方式来存储这种规模的数字。