第七色在线视频,2021少妇久久久久久久久久,亚洲欧洲精品成人久久av18,亚洲国产精品特色大片观看完整版,孙宇晨将参加特朗普的晚宴

為了賬號(hào)安全，請(qǐng)及時(shí)綁定郵箱和手機(jī)立即綁定
已解決430363個(gè)問(wèn)題，去搜搜看，總會(huì)有你想問(wèn)的

創(chuàng)建共現(xiàn)矩陣

創(chuàng)建共現(xiàn)矩陣

胡說(shuō)叔叔 2023-04-25 15:11:52
   | 0                 | 1                 | 2                 | 3_______________________________________________________________________________|0  | (-1.774, 1.145]   | (-3.21, 0.533]    |(0.0166, 2.007]    | (2.0, 3.997]_______________________________________________________________________________|1  | (-1.774, 1.145]   | (-3.21, 0.533]    | (2.007, 3.993]    | (2.0, 3.997]_______________________________________________________________________________我正在嘗試創(chuàng)建一個(gè)像上面這樣的數(shù)據(jù)集的共現(xiàn)矩陣，它有 800 條記錄和 12 個(gè)分類(lèi)變量。我正在嘗試創(chuàng)建從每個(gè)變量到其他變量的每個(gè)類(lèi)別的每個(gè)類(lèi)別的共現(xiàn)矩陣
查看完整描述

2 回答

?
米琪卡哇伊

TA貢獻(xiàn)1998條經(jīng)驗(yàn) 獲得超6個(gè)贊

OneHotEncoder()您可以使用和以直接的方式執(zhí)行此操作np.dot()

  1. 將數(shù)據(jù)框中的每個(gè)元素轉(zhuǎn)換為字符串

  2. 使用單熱編碼器通過(guò)分類(lèi)元素的唯一詞匯表將數(shù)據(jù)幀轉(zhuǎn)換為單熱

  3. 與自身進(jìn)行點(diǎn)積以計(jì)算共現(xiàn)

  4. 使用同現(xiàn)矩陣和feature_names一個(gè)熱編碼器重新創(chuàng)建數(shù)據(jù)幀

#assuming this is your dataset

                 0               1                2             3

0  (-1.774, 1.145]  (-3.21, 0.533]  (0.0166, 2.007]  (2.0, 3.997]

1  (-1.774, 1.145]  (-3.21, 0.533]   (2.007, 3.993]  (2.0, 3.997]

from sklearn.preprocessing import OneHotEncoder


df = df.astype(str) #turn each element to string


#get one hot representation of the dataframe

l = OneHotEncoder() 

data = l.fit_transform(df.values)


#get co-occurance matrix using a dot product

co_occurance = np.dot(data.T, data)


#get vocab (columns and indexes) for co-occuance matrix

#get_feature_names() has a weird suffix which I am removing for better readibility here

vocab = [i[3:] for i in l.get_feature_names()]


#create co-occurance matrix

ddf = pd.DataFrame(co_occurance.todense(), columns=vocab, index=vocab)

print(ddf)

                 (-1.774, 1.145]  (-3.21, 0.533]  (0.0166, 2.007]  \

(-1.774, 1.145]              2.0             2.0              1.0   

(-3.21, 0.533]               2.0             2.0              1.0   

(0.0166, 2.007]              1.0             1.0              1.0   

(2.007, 3.993]               1.0             1.0              0.0   

(2.0, 3.997]                 2.0             2.0              1.0   


                 (2.007, 3.993]  (2.0, 3.997]  

(-1.774, 1.145]             1.0           2.0  

(-3.21, 0.533]              1.0           2.0  

(0.0166, 2.007]             0.0           1.0  

(2.007, 3.993]              1.0           1.0  

(2.0, 3.997]                1.0           2.0  

正如您可以從上面的輸出中驗(yàn)證的那樣，它正是共現(xiàn)矩陣應(yīng)該是什么。


這種方法的優(yōu)點(diǎn)是您可以使用transform單熱編碼器對(duì)象的方法對(duì)其進(jìn)行縮放，并且大部分處理都發(fā)生在稀疏矩陣中，直到創(chuàng)建數(shù)據(jù)幀的最后一步，以提高內(nèi)存效率。


查看完整回答
反對(duì) 回復(fù) 2023-04-25
?
吃雞游戲

TA貢獻(xiàn)1829條經(jīng)驗(yàn) 獲得超7個(gè)贊

假設(shè)您的數(shù)據(jù)位于數(shù)據(jù)框 df 中。


然后，您可以在數(shù)據(jù)幀上執(zhí)行 2 個(gè)循環(huán)，并在數(shù)據(jù)幀的每一行上執(zhí)行兩個(gè)循環(huán)，如下所示：


from collections import defaultdict


co_occrence = defaultdict(int)    

for index, row in df.iterrows(): 

    for index2, row2 in df.iloc[index + 1:].iterrows():

        for row_index, feature in enumerate(row):

            for feature2 in row2[row_index + 1:]:

              co_occrence[feature, feature2] += 1


查看完整回答
反對(duì) 回復(fù) 2023-04-25
  • 2 回答
  • 0 關(guān)注
  • 140 瀏覽
慕課專(zhuān)欄
更多

添加回答

舉報(bào)

0/150
提交
取消
微信客服

購(gòu)課補(bǔ)貼
聯(lián)系客服咨詢(xún)優(yōu)惠詳情

 幫助反饋 APP下載

慕課網(wǎng)APP
您的移動(dòng)學(xué)習(xí)伙伴

 公眾號(hào)

掃描二維碼
關(guān)注慕課網(wǎng)微信公眾號(hào)