MemoryError：无法为形状为（287318，3704243）和数据类型float64的数组分配7.74 TiB

Question

我正在研究形状为{2871，3704243）的矩阵tfidf_matrix，我正尝试将其重用于以后的计算。这是我的完整代码

tfidf_vectorizer = TfidfVectorizer()                                    
# text shape is (287318,)
tfidf_matrix  = tfidf_vectorizer.fit_transform(text)
X = tfidf_matrix.todense()  # error here

pca_num_components = 2
reduced_data = PCA(n_components=pca_num_components).fit_transform(X)

我正试图通过PCA减少tfidf_matrix来进行绘图，但是在行X = tfidf_matrix.todense()上出现内存错误问题

MemoryError: Unable to allocate 7.74 TiB for an array with shape (287318, 3704243) and data type float64

请问有什么办法解决这个问题？

Answer 1

一种可能的解决方案（尽管并不完美）是随机选择特定数量的行，并按以下步骤对其执行PCA。

max_items = np.random.choice(range(tfidf_matrix.shape[0]), size=3000, replace=False)
X=tfidf_matrix[max_items,:].todense()   
pca = PCA(n_components=2).fit_transform(X)

如果需要，我们可以更改size参数