Question

假设我有一个稀疏的文档集合矩阵，其中每一行都是一个表示文档的向量（例如，由scikit-learn＆＃t; tfidf_transformer生成）。

tfidf_matrix = tfidf_transformer.fit_transform(posting)

现在我有一个查询，

query = transformer.transform(vectorizer.transform(['I am a sample query']))

所以我想使用scipy.spatial.distance.cosine（余弦相似度）将此查询与矩阵的每个文档（每行）进行比较。所以我按照以下方式制作地图

result = map(lambda document: cosine(document.toarray(), query[0].toarray()), tfidf_matrix)

也可以用循环来完成

result = []
for row in tfidf_matrix:
    result = result + [cosine(row.toarray(), query[0].toarray())]

然而，它很慢（我把gevent.threadpool.map扔到了同样结果的挫折中）。我很确定这不是正确的方法（将函数映射到稀疏矩阵的每一行），但我似乎无法找到正确的方法。

所以问题是，将函数映射到稀疏矩阵（scipy.csr_matrix）中每一行的正确方法是什么？

Answer 1

我注意到的第一件事是，每次通过query[0].toarray()循环（或for调用的每次迭代）时，您都在运行map()。这个值是否会在行之间发生变化？因为如果不是，你可以通过在for循环之外只计算一个来节省一些时间：

result = []
query_array = query[0].toarray()
for row in tfidf_matrix:
    result = result + [cosine(row.toarray(), query_array)]

另外，不要result = result + [another_list_element];这比result.append(another_list_element)要慢得多。在这种情况下，您应该这样做：

result = []
query_array = query[0].toarray()
for row in tfidf_matrix:
    result.append(cosine(row.toarray(), query_array))

或者使用map，即：

query_array = query[0].toarray()
result = map(lambda document: cosine(document.toarray(), query_array), tfidf_matrix)

也可能有其他加速，但试试这个，看它是否有帮助。

编辑：另外，您看过Function application over numpy's matrix row/column了吗？看起来vectorize函数可能就是您想要的。我不能给你更多的细节，因为我自己并不熟悉numpy和scipy，但这看起来是你阅读的一个很好的起点。