理解 scikit-learn 中的数据格式

Question

我正在尝试使用 Python 3.x 中的 scikit-learn 处理多标签文本分类。我有使用load_svmlight_file模块加载的 libsvm 格式的数据。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

这些行中的每一行对应一个文档。前三个数字是标签，接下来的条目是特征编号及其值。每个特征对应一个词。

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，当我通过执行例如查看数据格式时print (X[0])，我会得到这个输出。

(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。我将不胜感激在这方面的一些帮助。

Answer 1

这与多标签分类本身无关。X您从中获得的特征矩阵load_svmlight_file是SciPy CSR matrix，如文档中所述，并且以相当不幸的格式打印：

>>> 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