将大型 csv 转换为稀疏矩阵以用于 sklearn

Question

我有一个以 csv 格式保存的 ~30GB（~1.7GB 压缩 | 180K 行 x 32K 列）矩阵。我想将此矩阵转换为稀疏格式，以便能够将完整数据集加载到内存中，以便使用 sklearn 进行机器学习。填充的单元格包含小于 1 的浮点数。大矩阵的一个警告是目标变量存储为最后一列。允许在 sklearn 中使用这个大矩阵的最佳方法是什么？ IE。 如何在不将原始矩阵加载到内存的情况下将 ~30GB csv 转换为 scipy 稀疏格式？

伪代码

删除目标变量（保持顺序不变）
将约 30 GB 的矩阵转换为稀疏格式（帮助！！）
将稀疏格式加载到内存中并将目标变量加载到运行机器学习管道（我该怎么做？）

Answer 1

您可以很容易地在内存中按行构建稀疏矩阵：

import numpy as np
import scipy.sparse as sps

input_file_name = "something.csv"
sep = "\t"

def _process_data(row_array):
    return row_array

sp_data = []
with open(input_file_name) as csv_file:
    for row in csv_file:
        data = np.fromstring(row, sep=sep)
        data = _process_data(data)
        data = sps.coo_matrix(data)
        sp_data.append(data)


sp_data = sps.vstack(sp_data)

这将更容易写入 hdf5，这是一种比文本文件更好的存储这种规模数字的方式。

将大型 csv 转换为稀疏矩阵以用于 sklearn

Convert large csv to sparse matrix for use in sklearn

python

matrix

sparse-matrix

large-data

scikit-learn