Question

我正在尝试加入两个numpy数组。在一个文本中运行TF-IDF后，我有一组列/功能。在另一个我有一个列/功能是一个整数。所以我读了一列火车和测试数据，在这上面运行TF-IDF，然后我想添加另一个整数列，因为我认为这将有助于我的分类器更准确地了解它应该如何表现。

不幸的是，当我尝试运行hstack将此单个列添加到我的其他numpy数组时，我在标题中收到错误。

这是我的代码：

  #reading in test/train data for TF-IDF
  traindata = list(np.array(p.read_csv('FinalCSVFin.csv', delimiter=";"))[:,2])
  testdata = list(np.array(p.read_csv('FinalTestCSVFin.csv', delimiter=";"))[:,2])

  #reading in labels for training
  y = np.array(p.read_csv('FinalCSVFin.csv', delimiter=";"))[:,-2]

  #reading in single integer column to join
  AlexaTrainData = p.read_csv('FinalCSVFin.csv', delimiter=";")[["alexarank"]]
  AlexaTestData = p.read_csv('FinalTestCSVFin.csv', delimiter=";")[["alexarank"]]
  AllAlexaAndGoogleInfo = AlexaTestData.append(AlexaTrainData)

  tfv = TfidfVectorizer(min_df=3,  max_features=None, strip_accents='unicode',  
        analyzer='word',token_pattern=r'\w{1,}',ngram_range=(1, 2), use_idf=1,smooth_idf=1,sublinear_tf=1) #tf-idf object
  rd = lm.LogisticRegression(penalty='l2', dual=True, tol=0.0001, 
                             C=1, fit_intercept=True, intercept_scaling=1.0, 
                             class_weight=None, random_state=None) #Classifier
  X_all = traindata + testdata #adding test and train data to put into tf-idf
  lentrain = len(traindata) #find length of train data
  tfv.fit(X_all) #fit tf-idf on all our text
  X_all = tfv.transform(X_all) #transform it
  X = X_all[:lentrain] #reduce to size of training set
  AllAlexaAndGoogleInfo = AllAlexaAndGoogleInfo[:lentrain] #reduce to size of training set
  X_test = X_all[lentrain:] #reduce to size of training set

  #printing debug info, output below : 
  print "X.shape => " + str(X.shape)
  print "AllAlexaAndGoogleInfo.shape => " + str(AllAlexaAndGoogleInfo.shape)
  print "X_all.shape => " + str(X_all.shape)

  #line we get error on
  X = np.hstack((X, AllAlexaAndGoogleInfo))

以下是输出和错误消息：

X.shape => (7395, 238377)
AllAlexaAndGoogleInfo.shape => (7395, 1)
X_all.shape => (10566, 238377)



---------------------------------------------------------------------------
ValueError                                Traceback (most recent call last)
<ipython-input-12-2b310887b5e4> in <module>()
     31 print "X_all.shape => " + str(X_all.shape)
     32 #X = np.column_stack((X, AllAlexaAndGoogleInfo))
---> 33 X = np.hstack((X, AllAlexaAndGoogleInfo))
     34 sc = preprocessing.StandardScaler().fit(X)
     35 X = sc.transform(X)

C:\Users\Simon\Anaconda\lib\site-packages\numpy\core\shape_base.pyc in hstack(tup)
    271     # As a special case, dimension 0 of 1-dimensional arrays is "horizontal"
    272     if arrs[0].ndim == 1:
--> 273         return _nx.concatenate(arrs, 0)
    274     else:
    275         return _nx.concatenate(arrs, 1)

ValueError: all the input arrays must have same number of dimensions

这是什么原因导致我的问题？我怎样才能解决这个问题？据我所知，我应该能够加入这些专栏？我误解了什么？

谢谢。

编辑：

使用以下答案中的方法会出现以下错误：

---------------------------------------------------------------------------
ValueError                                Traceback (most recent call last)
<ipython-input-16-640ef6dd335d> in <module>()
---> 36 X = np.column_stack((X, AllAlexaAndGoogleInfo))
     37 sc = preprocessing.StandardScaler().fit(X)
     38 X = sc.transform(X)

C:\Users\Simon\Anaconda\lib\site-packages\numpy\lib\shape_base.pyc in column_stack(tup)
    294             arr = array(arr,copy=False,subok=True,ndmin=2).T
    295         arrays.append(arr)
--> 296     return _nx.concatenate(arrays,1)
    297 
    298 def dstack(tup):

ValueError: all the input array dimensions except for the concatenation axis must match exactly

有趣的是，我尝试打印X的dtype，这很好用：

X.dtype => float64

但是，尝试打印AllAlexaAndGoogleInfo这样的dtype：

print "AllAlexaAndGoogleInfo.dtype => " + str(AllAlexaAndGoogleInfo.dtype)

产生：

'DataFrame' object has no attribute 'dtype'

Answer 1

由于X是稀疏数组，而不是numpy.hstack，因此请使用scipy.sparse.hstack来连接数组。在我看来，错误信息在这里有点误导。

这个最小的例子说明了这种情况：

import numpy as np
from scipy import sparse

X = sparse.rand(10, 10000)
xt = np.random.random((10, 1))
print 'X shape:', X.shape
print 'xt shape:', xt.shape
print 'Stacked shape:', np.hstack((X,xt)).shape
#print 'Stacked shape:', sparse.hstack((X,xt)).shape #This works

基于以下输出

X shape: (10, 10000)
xt shape: (10, 1)

可以预期以下行中的hstack会起作用，但事实是它会抛出此错误：

ValueError: all the input arrays must have same number of dimensions

因此，如果要堆叠稀疏数组，请使用scipy.sparse.hstack。

事实上，我已经在你的另一个问题中回答了这个问题，你提到了另一个错误信息：

TypeError: no supported conversion for types: (dtype('float64'), dtype('O'))

首先，AllAlexaAndGoogleInfo没有dtype，因为它是DataFrame。要获得它的基础numpy数组，只需使用AllAlexaAndGoogleInfo.values。检查其dtype。根据错误消息，它的dtype为object，这意味着它可能包含非数字元素，如字符串。

这是一个重现这种情况的最小例子：

X = sparse.rand(100, 10000)
xt = np.random.random((100, 1))
xt = xt.astype('object') # Comment this to fix the error
print 'X:', X.shape, X.dtype
print 'xt:', xt.shape, xt.dtype
print 'Stacked shape:', sparse.hstack((X,xt)).shape

错误消息：

TypeError: no supported conversion for types: (dtype('float64'), dtype('O'))

因此，在进行堆叠之前，检查AllAlexaAndGoogleInfo中是否有任何非数值并修复它们。

Answer 2

使用.column_stack。像这样：

X = np.column_stack((X, AllAlexaAndGoogleInfo))

来自docs：

取一系列一维数组并将它们堆叠成列来制作一个单个二维阵列。二维数组按原样堆叠，就像使用hstack一样。

Answer 3

尝试：

X = np.hstack((X, AllAlexaAndGoogleInfo.values))

我没有正在运行的Pandas模块，所以无法测试它。但DataFrame文档描述了values Numpy representation of NDFrame。 np.hstack是一个numpy函数，因此对DataFrame的内部结构一无所知。

Numpy hstack - “ValueError：所有输入数组必须具有相同数量的维度” - 但它们确实如此

3 个答案: