我有一个Sqlite数据库,其中包含以下类型的架构:
termcount(doc_num, term , count)
此表包含文档中各自计数的术语。 像
(doc1 , term1 ,12)
(doc1, term 22, 2)
.
.
(docn,term1 , 10)
这个矩阵可以被认为是稀疏矩阵,因为每个文档包含的非常少的项将具有非零值。
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性。
这个密集矩阵看起来像一个表格,其中docid作为第一列,所有条款都将列为第一行。剩余的单元格将包含计数。
答案 0 :(得分:70)
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]])
这是一个如何将稀疏矩阵转换为取自scipy
的密集矩阵的示例答案 1 :(得分:7)
我使用Pandas解决了这个问题。因为我们想保留文档ID和术语ID。
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
输出:
t2 t3 t1
d2 0 10 0
d3 5 0 0
d1 0 0 12