python - 如何从Python中的字典创建稀疏二进制矩阵

Question

我有一个.tsv文件，我从中创建了一个pyhton字典，其中键都是movie_id 和值是功能(每部电影都有不同数量的功能)。

这是我的字典的示例:

要实现的目标:

我想从这本字典中创建一个项目特征稀疏矩阵以用于推荐系统项目。 最后，当电影具有特定功能时，我希望有一个值为 1 的二元稀疏矩阵。 像这样的事情:

我的代码:

创建字典:

def Dictionary():
    d={}
    l=[]
    with open(filepath_mapping) as f:
        for line in f.readlines():
            line = line.split()
            key = int(line[0])
            value = [int(el) for el in line[1:]]
            d[key] = value
    return(d)

movie_features_dict = Dictionary()

从字典创建项目特征矩阵:

n = len(movie_features_dict)
value_lengths = [len(v) for v in movie_features_dict.values()]
d = max(value_lengths)
print(f"ITEM*FEATURES matrix shape: {n,d}\n")

item_feature_matrix = sp.dok_matrix((n,d), dtype=np.int8)

for movie_ids, features in movie_features_dict.items():
    item_feature_matrix[movie_ids, features] = 1

item_feature_matrix = item_feature_matrix.tocsr()
print(item_feature_matrix.shape)

问题:

我有 22069 部电影，而具有最大特征数的电影应该有 885 个特征，所以理论上我应该有一个 22069*885 矩阵，但是使用我编写的代码，我继续拥有这个错误:

raise IndexError('index (%d) out of range' % max_indx)
IndexError: index (614734) out of range

Answer 1

基于this答案，您可以用几行代码执行以下操作:

import pandas as pd

id_to_features = {
    880: [18, 23, 854, 98475, 20],
    152: [1, 578, 18, 654, 23, 5, 11],
    6654: [2088]
}

df = pd.DataFrame({"features": list(id_to_features.values())})
matrix = df['features'].apply(pd.value_counts).fillna(0).astype(int)
ids = list(id_to_features.keys())
matrix.index = ids
matrix = matrix.reindex(sorted(matrix.columns), axis=1)

编辑

出于好奇，我创建了一个假数据集，上面的代码在普通笔记本电脑上运行(使用 perf_counter)需要 7 秒。

以下是生成数据集的代码:

id_to_features = {
    i: [randint(1, 886) for _ in range(randint(1, 10))] for i in range(1, 22070)
}

生成的矩阵需要使用计算得出的 78 MB 空间

matrix.memory_usage(index=True, deep=True).sum()

考虑改为 astype("int8")，它需要 20 MB。