Question

我正在尝试运行hstack将一列整数值连接到由TF-IDF创建的列列表（因此我最终可以在分类器中使用所有这些列/功能）。

我正在使用pandas在列中读取，检查任何NA值并将它们转换为数据帧中的最大值，如下所示：

  OtherColumn = p.read_csv('file.csv', delimiter=";", na_values=['?'])[["OtherColumn"]]
  OtherColumn = OtherColumn.fillna(OtherColumn.max())
  OtherColumn = OtherColumn.convert_objects(convert_numeric=True)

然后我在我的文本列中读取并运行TF-IDF来创建大量功能：

  X = list(np.array(p.read_csv('file.csv', delimiter=";"))[:,2])

  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)
  tfv.fit(X)

最后，我想将它们加在一起，这就是我们发生错误并且程序无法运行的地方，而且我不确定我是否在这里正确使用StandardScaler：

  X =  sp.sparse.hstack((X, OtherColumn.values)) #error here
  sc = preprocessing.StandardScaler().fit(X)
  X = sc.transform(X)
  X_test = sc.transform(X_test)

完整的错误消息：

---------------------------------------------------------------------------
TypeError                                 Traceback (most recent call last)
<ipython-input-13-79d1e70bc1bc> in <module>()
---> 47 X =  sp.sparse.hstack((X, OtherColumn.values))
     48 sc = preprocessing.StandardScaler().fit(X)
     49 X = sc.transform(X)

C:\Users\Simon\Anaconda\lib\site-packages\scipy\sparse\construct.pyc in hstack(blocks, format, dtype)
    421 
    422     """
--> 423     return bmat([blocks], format=format, dtype=dtype)
    424 
    425 

C:\Users\Simon\Anaconda\lib\site-packages\scipy\sparse\construct.pyc in bmat(blocks, format, dtype)
    537     nnz = sum([A.nnz for A in blocks[block_mask]])
    538     if dtype is None:
--> 539         dtype = upcast(*tuple([A.dtype for A in blocks[block_mask]]))
    540 
    541     row_offsets = np.concatenate(([0], np.cumsum(brow_lengths)))

C:\Users\Simon\Anaconda\lib\site-packages\scipy\sparse\sputils.pyc in upcast(*args)
     58             return t
     59 
---> 60     raise TypeError('no supported conversion for types: %r' % (args,))
     61 
     62 

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

Answer 1

如Numpy hstack - "ValueError: all the input arrays must have same number of dimensions" - but they do中所述，您需要明确地将输入转换为sparse.hstack。 sparse代码不如核心numpy代码强大。

如果X是包含dtype=float的稀疏数组，并且A与dtype=object密集，则可能有多种选项。

sparse.hstack(X, A) # error
sparse.hstack(X.astype(object), A) # cast X to object; return object
sparse.hstack(X, A.astype(float)) # cast A to float; return float
hstack(X.A, A) # make X dense, result will be type object

如果A.astype(float)包含一些A，

NaN将有效。有关NaN，请参阅http://pandas.pydata.org/pandas-docs/stable/gotchas.html。如果A由于某些其他原因（例如参差不齐的列表）而成为对象，那么我们将不得不重新审视该问题。

另一种可能性是使用Pandas的concat。 http://pandas.pydata.org/pandas-docs/stable/merging.html。我认为Pandas比sparse编码员更关注这些问题。

Scipy hstack导致“TypeError：类型不支持转换：（dtype（'float64'），dtype（'O'））”

1 个答案: