理解scikit-learn中数据的格式

Question

我正在使用Python 3.x中的scikit-learn进行多标签文本分类。我有一些libsvm格式的数据，正在通过load_svmlight_file模块加载。这些数据的格式如下。

• 314523,165538,76255 1:1 2:1 3:1 4:1 5:1 6:1 7:1 8:1 9:1 10:1 11:1 12:2 13:1
• 410523,230296,368303,75145 8:1 19:2 22:1 24:1 29:1 63:1 68:1 69:3 76:1 82:1 83:1 84:1

每一行对应一个文档。前面三个数字是标签，后面的部分是特征编号和它们的值。每个特征对应一个单词。

我用这个脚本来加载数据。

from sklearn.datasets import load_svmlight_file

X,Y = load_svmlight_file("train.csv", multilabel = True, zero_based = True)

我的问题是，当我通过例如print (X[0])查看数据格式时，得到的输出是这样的。

(0, 1) 1.0

(0, 2) 1.0

(0, 3) 1.0

(0, 4) 1.0

(0, 5) 1.0

(0, 6) 1.0

(0, 7) 1.0

(0, 8) 1.0

(0, 9) 1.0

(0, 10) 1.0

(0, 11) 1.0

(0, 12) 2.0

(0, 13) 1.0

我不太明白这个格式的意思。难道格式不应该是这样的。

> 1  2  3  4  5  6  7  8  9  10  11  12  13

> 1  1  1  1  1  1  1  1  1   1   1   2   1  

我对scikit还很陌生，希望能得到一些帮助。

Answer 1

这其实和多标签分类没有直接关系。你从 load_svmlight_file 得到的特征矩阵 X 是一种叫做 SciPy CSR 矩阵 的东西，具体的说明可以在文档里找到。而这种矩阵打印出来的格式比较让人头疼：

>>> from scipy.sparse import csr_matrix
>>> X = csr_matrix([[0, 0, 1], [2, 3, 0]])
>>> X
<2x3 sparse matrix of type '<type 'numpy.int64'>'
    with 3 stored elements in Compressed Sparse Row format>
>>> X.toarray()
array([[0, 0, 1],
       [2, 3, 0]])
>>> print(X)
  (0, 2)    1
  (1, 0)    2
  (1, 1)    3