Question

我正在尝试使用Python 3.x中的scikit-learn进行多标签文本分类。我有libsvm格式的数据，我使用load_svmlight_file模块加载。数据格式是这样的。

314523,165538,76255 1：1 2：1 3：1 4：1 5：1 6：1 7：1 8：1 9：1 10：1 11：1 12：2 13：1

410523,230296,368303,75145 8：1 19：2 22：1 24：1 29：1 63：1 68：1 69：3 76：1 82：1 83：1 84：1

这些行中的每一行都对应一个文档。前三个数字是标签，下一个条目是带有值的特征数字。每个功能对应一个单词。

我正在使用此脚本加载数据。

from sklearn.datasets import load_svmlight_file

X,Y = load_svmlight_file("train.csv", multilabel = True, zero_based = True)

我的问题是，当我通过例如print (X[0])看到数据格式时，我得到了这个输出。

（0,1）1.0

（0,2）1.0

（0,3）1.0

（0,4）1.0

（0,5）1.0

（0,6）1.0

（0,7）1.0

（0,8）1.0

（0,9）1.0

（0,10）1.0

（0,11）1.0

（0,12）2.0

（0,13）1.0

我不明白这种格式的含义。格式不应该是这样的。

> 1  2  3  4  5  6  7  8  9  10  11  12  13

> 1  1  1  1  1  1  1  1  1   1   1   2   1

我是scikit的新手。在这方面，我将不胜感激。

Answer 1

这与多标签分类本身无关。您从X获得的功能矩阵load_svmlight_file为SciPy CSR matrix，如文档中所述，以及以相当不合适的格式打印的内容：

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

理解scikit-learn中的数据格式

1 个答案: