从稀疏矩阵中删除条件列

Question

为了从稀疏矩阵中提取重要特征，我想简单地删除平均得分小于某个指定阈值的列。考虑以下示例

import numpy as np
counts = [[3, 0, 1],
           [2, 0, 0],
           [3, 0, 0],
           [4, 0, 0],
           [3, 2, 0],
           [3, 0, 2]]
from sklearn.feature_extraction.text import TfidfTransformer
transformer = TfidfTransformer(smooth_idf=False)
tfidf = transformer.fit_transform(counts)
print (tfidf.toarray())

现在计算每个特征的平均分

summarizer_mean = lambda x: np.mean(x, axis=0)

print(summarizer_mean(tfidf))

平均结果是

[[ 0.81236766  0.14681658  02311266 ]]

如何删除那些平均分数小于某个阈值的列，比如在我的例子中是 0.23？

Answer 1

您应该使用 numpy 数组进行计数

counts = np.array(
         [[3, 0, 1],
         [2, 0, 0],
         [3, 0, 0],
         [4, 0, 0],
         [3, 2, 0],
         [3, 0, 2]])

那么你可以简单地这样做：

threshold = 0.23
means = np.array(summarizer_mean(tfidf)).squeeze()
counts[:, means > threshold]

从稀疏矩阵中删除条件列

Delete conditional columns from a sparse matrix

sparse-matrix

python-3.x

tfidfvectorizer