python - scikit-learn 谱聚类 : unable to find NaN lurking in data

Question

我在 this dataset of Jeopardy questions 上运行谱聚类，而且我在处理数据时遇到了这个令人沮丧的问题。请注意，我只是将“问题”列中的所有值聚类。

当我在数据集上运行双聚类时，显然出现了“被零除”的 ValueError。

/usr/local/lib/python3.6/dist-packages/sklearn/cluster/bicluster.py:38: RuntimeWarning: divide by zero encountered in true_divide
  row_diag = np.asarray(1.0 / np.sqrt(X.sum(axis=1))).squeeze()
/usr/local/lib/python3.6/dist-packages/sklearn/cluster/bicluster.py:286: RuntimeWarning: invalid value encountered in multiply
  z = np.vstack((row_diag[:, np.newaxis] * u,
---------------------------------------------------------------------------
ValueError                                Traceback (most recent call last)
...
ValueError: Input contains NaN, infinity or a value too large for dtype('float64').

该错误显然表明我的数据中潜伏着一个 NaN 或无限值(这只是问题的单数列)。我正在处理的完全是文本数据，我已经尝试过大多数用于过滤 NaN 和 inf 的 NumPy 和 Pandas 函数，以及 Stack Overflow 上的许多解决方案。我找不到。

为了确保我的代码没有错误，同样的事情在二十个新闻组数据集上完美运行。

Here's the code on Kaggle if you want to run it and see for yourself.但是，为了以防万一 SO 的政策禁止这样做，下面是代码简述:

dat = pd.DataFrame(pd.read_csv('../input/jarchive_cleaned.csv'))

qlist = []

def cleanhtml(raw_html):
  cleanr = re.compile('<.*?>')
  cleantext = re.sub(cleanr, '', raw_html)
  return cleantext

for row in dat.iterrows():
  txt = row[1]['text'].lower()
  txt = cleanhtml(txt)
  txt = re.sub(r'[^a-z ]',"",txt)
  txt = re.sub(r'  ',' ',txt)
#   txt = ' '.join([stem(w) for w in txt.split(" ")])
  qlist.append([txt,row[1]['answer'],row[1]['category']])

print(qlist[:10])

swords = set(stopwords.words('english'))
tv = TfidfVectorizer(stop_words = swords , strip_accents='ascii')

queslst = [q for (q,a,c) in qlist]
qlen = len(set([c for (q,a,c) in qlist]))

mtx = tv.fit_transform(queslst)

cocluster = SpectralCoclustering(n_clusters=qlen, svd_method='arpack', random_state=0) #

t = time()
cocluster.fit(mtx)

Answer 1

一些字符串序列，例如'down out' 导致 TfidfVectorizer() 返回零值。这会导致错误以除以 零 错误开头，从而导致 mtx 稀疏矩阵<中的 inf 值 这会导致第二个错误。

作为此问题的变通方法，在 TfidfVectorizer.fit_transform() 创建后，删除此序列或从 mtx 矩阵中删除零矩阵元素，这有点由于稀疏矩阵运算而变得棘手。

我做了第二个解决方案，因为我没有深入到原来的任务中，如下:

swords = set(stopwords.words('english'))
tv = TfidfVectorizer(stop_words = swords , strip_accents='ascii')

queslst = [q for (q,a,c) in qlist]
qlen = len(set([c for (q,a,c) in qlist]))

mtx = tv.fit_transform(queslst)

indices = []
for i,mx in enumerate(mtx):
    if np.sum(mx, axis=1) == 0:
        indices.append(i)

mask = np.ones(mtx.shape[0], dtype=bool)
mask[indices] = False
mtx = mtx[mask]        

cocluster = SpectralCoclustering(n_clusters=qlen, svd_method='arpack', random_state=0) #

t = time()

cocluster.fit(mtx)

终于成功了。希望对您有所帮助，祝您好运!