我有这样的数据:
data = {'x':Counter({'a':1,'b':45}), 'y':Counter({'b':1, 'c':212})}
我的标签是 data
的键,内部字典的键是特征:
all_features = ['a','b','c']
all_labels = ['x','y']
我需要这样创建列表列表:
[[data[label][feat] for feat in all_features] for label in all_labels]
[输出]:
[[1, 45, 0], [0, 1, 212]]
我的len(all_features)
是~5,000,000 而len(all_labels)
是~100,000
最终目的是创建scipy稀疏矩阵,例如:
from collections import Counter
from scipy.sparse import csc_matrix
import numpy as np
all_features = ['a','b','c']
all_labels = ['x','y']
csc_matrix(np.array([[data[label][feat] for feat in all_features] for label in all_labels]))
但是遍历一个大列表的列表是相当低效的。
那么我怎样才能高效地查看大列表呢?
是否有其他方法可以从 data
创建 scipy 矩阵而不循环遍历所有特征和标签?
最佳答案
将字典的字典转换为 numpy 或 scipy 数组,正如您所体验的那样,并不是很有趣。如果您事先知道 all_features
和 all_labels
,您最好从一开始就使用 scipy 稀疏 COO 矩阵来保持计数。
无论是否可行,您都希望按排序顺序排列特征和标签列表,以加快查找速度。所以我将假设以下内容不会更改任何一个数组:
all_features = np.array(all_features)
all_labels = np.array(all_labels)
all_features.sort()
all_labels.sort()
让我们按照它们在字典中的存储顺序提取 data
中的标签,并查看每个项目落在 all_labels
中的什么位置:
labels = np.fromiter(data.iterkeys(), all_labels.dtype, len(data))
label_idx = np.searchsorted(all_labels, labels)
现在让我们计算每个标签有多少个特征,并从中计算稀疏数组中非零项的数量:
label_features = np.fromiter((len(c) for c in data.iteritems()), np.intp,
len(data))
indptr = np.concatenate(([0], np.cumsum(label_features)))
nnz = indptr[-1]
现在,我们提取每个标签的特征及其对应的计数
import itertools
features_it = itertools.chain(*(c.iterkeys() for c in data.itervalues()))
features = np.fromiter(features_it, all_features.dtype, nnz)
feature_idx = np.searchsorted(all_features, features)
counts_it = itertools.chain(*(c.itervalues() for c in data.itervalues()))
counts = np.fromiter(counts_it, np.intp, nnz)
利用我们所拥有的,我们可以直接创建一个 CSR 矩阵,其中标签作为行,特征作为列:
sps_data = csr_matrix((counts, feature_idx, indptr),
shape=(len(all_labels), len(all_features)))
唯一的问题是这个稀疏数组的行不是按照 all_labels
的顺序排列的,而是按照遍历 data
时它们出现的顺序排列的。但是我们有 feature_idx
告诉我们每个标签在哪里结束,我们可以通过执行以下操作重新排列行:
sps_data = sps_data[np.argsort(label_idx)]
是的,它很困惑,令人困惑,而且可能不是很快,但它确实有效,而且它的内存效率会比您在问题中提出的要高得多:
>>> sps_data.A
array([[ 1, 45, 0],
[ 0, 1, 212]], dtype=int64)
>>> all_labels
array(['x', 'y'],
dtype='<S1')
>>> all_features
array(['a', 'b', 'c'],
dtype='<S1')
关于python - 如何有效地创建遍历 python 中的大量列表?,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/23747487/