如何从scipy.sparse.csr.csr_matrix和列表中进行子采样？

Question

我有一个 scipy.sparse.csr.csr_matrix，它用来表示文档中的单词，还有一个列表的列表，每个索引对应矩阵中的每一行的类别。

我遇到的问题是，我需要从这些数据中随机选择 N 行。

比如说，如果我的矩阵长这样：

[1:3 2:3 4:4]
[1:5 2:5 5:4]

而我的列表的列表长这样：

((20,40) (80,50))  

如果我需要随机抽取一个值，可能会得到这样的结果：

[1:3 2:3 4:4]
((20,40))

我查阅了 scipy 的文档，但找不到用索引列表生成新的 csr 矩阵的方法。

Answer 1

你可以通过使用一个索引列表来简单地访问一个稀疏矩阵。首先，我们创建一个矩阵，然后看看它的样子：

>>> m = csr_matrix([[0,0,1,0], [4,3,0,0], [3,0,0,8]])
<3x4 sparse matrix of type '<type 'numpy.int64'>'
    with 5 stored elements in Compressed Sparse Row format>

>>>  print m.toarray()
[[0 0 1 0]
 [4 3 0 0]
 [3 0 0 8]]

当然，我们可以很容易地只查看第一行：

>>> m[0]
<1x4 sparse matrix of type '<type 'numpy.int64'>'
    with 1 stored elements in Compressed Sparse Row format>

>>> print m[0].toarray()
[[0 0 1 0]]

但我们也可以通过使用列表 [0,2] 作为索引，一次查看第一行和第三行：

>>> m[[0,2]]
<2x4 sparse matrix of type '<type 'numpy.int64'>'
    with 3 stored elements in Compressed Sparse Row format>

>>> print m[[0,2]].toarray()
[[0 0 1 0]
 [3 0 0 8]]

现在，你可以使用 numpy 的 choice 生成 N 个不重复的随机索引：

i = np.random.choice(np.arange(m.shape[0]), N, replace=False)

然后你可以从原始矩阵 m 中提取这些索引：

sub_m = m[i]

要从你的分类列表中提取这些索引，首先需要将其转换为数组，然后就可以用列表 i 进行索引：

sub_c = np.asarray(categories)[i]

如果你想要返回一个列表的列表，只需使用：

sub_c.tolist()

或者，如果你真正想要的是一个元组的元组，我想你需要手动处理：

tuple(map(tuple, sub_c))