使用 sklearn pairwise_distances 计算 X 和 y 之间的距离相关性

Question

我目前正在尝试各种方法： 1. 相关性。2. 相互信息。3. 距离相关性以找出 X 中的变量与 y 中的因变量之间的关系强度。关联是最快和最简单的（一个样本 1 小时到 300 万条记录和 560 个变量）。相互信息计算大约需要 16 个小时。我也在研究距离相关性，因为它有一个有趣的特性：Xi 和 Y 之间的距离相关性为零，当且仅当它们是独立的。但是我在用 Python 进行计算时遇到了一个问题。

以下是我的数据：

X

prop_tenure prop_12m    prop_6m prop_3m 
0.04        0.04        0.06    0.08
0           0           0       0
0           0           0       0
0.06        0.06        0.1     0
0.38        0.38        0.25    0
0.61        0.61        0.66    0.61
0.01        0.01        0.02    0.02
0.1         0.1         0.12    0.16
0.04        0.04        0.04    0.09
0.22        0.22        0.22    0.22
0.72        0.72        0.73    0.72
0.39        0.39        0.45    0.64

**y**
status
0
0
1
1
0
0
0
1
0
0
0
1

我想捕获 X 中每个变量与 y 的距离相关性并将其存储在数据帧中，因此我正在这样做。

from sklearn.metrics.pairwise import pairwise_distances

num_metrics_df['distance_correlation'] = pairwise_distances(X,y,metric = 'correlation',njobs = -1)

但是文档提到了以下内容：

If Y is given (default is None), then the returned matrix is the pairwise distance between the arrays from both X and Y.

这需要 X 和 Y 中相同数量的特征？

如何获得python中每个Xi和y之间的距离相关性？有人可以帮我解决这个问题吗？

更新：

我尝试了按照 X.shape[1] 重复 y 列的方法，然后进行计算，但它给出了 10k 记录样本的内存错误：

X = data_col.values

lb = preprocessing.LabelBinarizer()
df_target['drform'] = lb.fit_transform(df_target['status'])

y = df_target.values
n_rep = X.shape[1]
y = np.repeat(y,n_rep,axis = 1)

num_metrics_df['distance_correlation'] = pairwise_distances(X,y,metric = 'correlation',njobs = -1)

Traceback (most recent call last):

  File "<ipython-input-30-0f28f4b76a7e>", line 20, in <module>
    num_metrics_df['distance_correlation'] = pairwise_distances(X,y,metric = 'correlation',njobs = -1)

  File "C:\Users\test\AppData\Local\Continuum\anaconda3.1\lib\site-packages\sklearn\metrics\pairwise.py", line 1247, in pairwise_distances
    return _parallel_pairwise(X, Y, func, n_jobs, **kwds)

  File "C:\Users\test\AppData\Local\Continuum\anaconda3.1\lib\site-packages\sklearn\metrics\pairwise.py", line 1090, in _parallel_pairwise
    return func(X, Y, **kwds)

  File "C:\Users\test\AppData\Local\Continuum\anaconda3.1\lib\site-packages\scipy\spatial\distance.py", line 2381, in cdist
    dm = np.empty((mA, mB), dtype=np.double)

MemoryError

Answer 1

您可以scipy为此使用它，虽然没有明确并行化，但它已经过大量优化/矢量化。我发现它对于大型数据集的运行速度非常快。

from scipy.spatial.distance import cdist
import numpy as np

n_samples = 100000
n_features = 50

X = np.random.random((n_samples, n_features))
y = np.random.choice([0, 1], size=(n_samples, 1))
correlations = cdist(X.T, y.T, metric='correlation')

但请注意，这会返回相关距离，但您可以使用许多不同的指标以及自定义指标。更多细节在文档页面。