如何使用 Python 库读取稀疏 ARFF 数据？

Question

数据部分是这样的：{60 1,248 1,279 1,316 1}。当我使用 Python LIAC-ARFF 库时，出现如下错误：ValueError: {60 1 value not in ('0', '1').

当我使用普通的 ARFF 文件时，它工作正常。

我正在使用 MULAN 网站上著名的 delicious.arff 数据集。

我还需要使用其他方法吗？有人可以帮忙吗？

Answer 1

您可以使用 function scikit-multilearn provides for loading ARFF data.

使用示例 - 第一个参数是 ARFF 文件，格式是 MULAN，所以标签在最后 (label_location="end")。 delicious 数据集中有 983 个标签，delicious 输入数据的特征是整数，输入数据已经是标称的，因为 delicious 中的输入 space 是一袋词。请记住，您应该始终阅读相关论文中的数据集是什么（MULAN 网站上提供了数据集的原始论文信息）：

from skmultilearn.dataset import load_from_arff

X, y = load_from_arff("/home/user/data/delicious-train.arff", 
    # number of labels
    labelcount=983, 
    # MULAN format, labels at the end of rows in arff data, using 'end' for label_location
    # 'start' is also available for MEKA format
    label_location='end', 
    # bag of words
    input_feature_type='int', encode_nominal=False, 
    # sometimes the sparse ARFF loader is borked, like in delicious,
    # scikit-multilearn converts the loaded data to sparse representations, 
    # so disabling the liac-arff sparse loader
    # but you may set load_sparse to True if this fails
    load_sparse=False, 
    # this decides whether to return attribute names or not, usually 
    # you don't need this
    return_attribute_definitions=False)

返回了什么？

>>> print(X, y)
(<12920x500 sparse matrix of type '<type 'numpy.int64'>' with 6460000 stored elements in LInked List format>,
<12920x983 sparse matrix of type '<type 'numpy.int64'>' with 12700360 stored elements in LInked List format>)

如何使用 Python 库读取稀疏 ARFF 数据？

How to read Sparse ARFF data using Python libraries?

python

data-analysis

multilabel-classification

arff