将列添加到Tfidf矩阵

Question

我想使用单词以及一些其他功能（例如，有链接）在文本上构建分类模型

tweets = ['this tweet has a link htt://link','this one does not','this one does http://link.net']

我使用sklearn来获取文本数据的稀疏矩阵

tfidf_vectorizer = TfidfVectorizer(max_df=0.90, max_features=200000, min_df=0.1, stop_words='english', use_idf=True, ntlk.tokenize,ngram_range=(1,2))

tfidf_matrix = tfidf_vectorizer.fit_transform(tweets)

我想为其添加列以支持文本数据的其他功能。我试过了：

import scipy as sc

all_data = sc.hstack((tfidf_matrix, [1,0,1]))

这给了我这样的数据：

array([ <3x8 sparse matrix of type '<type 'numpy.float64'>' with 10 stored elements in Compressed Sparse Row format>, 1, 1, 0], dtype=object)

当我将此数据框提供给模型时：

`from sklearn.naive_bayes import MultinomialNB
 clf = MultinomialNB().fit(all_data, y)` 

我收到了追溯错误：

`Traceback (most recent call last):
 File "<stdin>", line 1, in <module>
 File "C:\Anaconda\lib\site- packages\spyderlib\widgets\externalshell\sitecustomize.py", line 580, in   runfile
 execfile(filename, namespace)
 File "C:/Users/c/Desktop/features.py", line 157, in <module>
 clf = MultinomialNB().fit(all_data, y)
File "C:\Anaconda\lib\site-packages\sklearn\naive_bayes.py", line 302, in  fit
_, n_features = X.shape

ValueError：需要多于1个值来解包`

编辑：数据的形状

`tfidf_matrix.shape
 (100, 2)
 all_data.shape
 (100L,)`

我可以将列直接追加到稀疏矩阵吗？如果没有，我应该如何将数据转换为可以支持此格式的格式？我担心除了稀疏矩阵之外的其他东西会增加内存占用。

Answer 1

“我可以将直接列添加到稀疏矩阵吗？” - 是的你可能应该这样做，因为解包（使用todense或toarray）很容易导致大型语料库中的内存爆炸。

使用scipy.sparse.hstack：

import numpy as np
import scipy as sp
from sklearn.feature_extraction.text import TfidfVectorizer

tweets = ['this tweet has a link htt://link','this one does not','this one does http://link.net']
tfidf_vectorizer = TfidfVectorizer()
tfidf_matrix = tfidf_vectorizer.fit_transform(tweets)
print tfidf_matrix.shape

（3,10）

new_column = np.array([[1],[0],[1]])
print new_column.shape

（3,1）

final = sp.sparse.hstack((tfidf_matrix, new_column))
print final.shape

（3,11）

Answer 2

将稀疏矩阵转换为密集矩阵

import numpy as np
from sklearn.feature_extraction.text import TfidfVectorizer
tweets = ['this tweet has a link htt://link','this one does not','this one does http://link.net']

tfidf_vectorizer = TfidfVectorizer()
tfidf_matrix = tfidf_vectorizer.fit_transform(tweets)
dense = tfidf_matrix.todense()
print dense.shape

newCol = [[1],[0],[1]]

allData = np.append(dense, newCol, 1)

print allData.shape

（3L，10L）

（3L，11L）

Answer 3

这是正确的格式：

all_data = sc.hstack([tfidf_matrix, sc.csr_matrix([1,0,1]).T], 'csr')