52

我有一个包含以下类型架构的 Sqlite 数据库：

termcount(doc_num, term , count)

此表包含术语及其在文档中的相应计数。喜欢

(doc1 , term1 ,12)
(doc1, term 22, 2)
.
.
(docn,term1 , 10)

这个矩阵可以被认为是稀疏矩阵，因为每个文档包含非常少的具有非零值的术语。

我将如何使用 numpy 从这个稀疏矩阵创建一个密集矩阵，因为我必须使用余弦相似度计算文档之间的相似度。

这个密集矩阵看起来像一个表格，第一列是 docid，所有术语都将列为第一行。剩余的单元格将包含计数。

4

2 回答 2

99 
 from scipy.sparse import csr_matrix
 A = csr_matrix([[1,0,2],[0,3,0]])
 >>>A
 <2x3 sparse matrix of type '<type 'numpy.int64'>'
    with 3 stored elements in Compressed Sparse Row format>
 >>> A.todense()
   matrix([[1, 0, 2],
           [0, 3, 0]])
 >>> A.toarray()
      array([[1, 0, 2],
            [0, 3, 0]])

这是如何将稀疏矩阵转换为从scipy获取的密集矩阵的示例

于 2013-05-12T09:03:53.843 回答
11

I solved this problem using Pandas. Because we want to keep the document ids and term ids.

from pandas import DataFrame 

# A sparse matrix in dictionary form (can be a SQLite database). Tuples contains doc_id        and term_id. 
doc_term_dict={('d1','t1'):12, ('d2','t3'):10, ('d3','t2'):5}

#extract all unique documents and terms ids and intialize a empty dataframe.
rows = set([d for (d,t) in doc_term_dict.keys()])  
cols = set([t for (d,t) in doc_term_dict.keys()])
df = DataFrame(index = rows, columns = cols )
df = df.fillna(0)

#assign all nonzero values in dataframe
for key, value in doc_term_dict.items():
    df[key[1]][key[0]] = value   

print df

Output:

    t2  t3  t1
d2  0  10   0
d3  5   0   0
d1  0   0  12
于 2014-08-02T03:49:05.243 回答