将数字和文本功能合并用于类别分类

Question

我试图对产品进行分类，以便根据产品名称和基本价格来预测产品的类别。

一个例子(产品名称、价格、类别)：

['notebook sony vaio vgn-z770td dockstation', 3000.0, u'MLA54559']

以前，我只使用产品标题进行预测任务，但我想包括价格，看看是否提高了准确性。

我的代码的问题是我不能合并文本/数字特性，我在这里阅读了一些问题，这是我的代码摘录：

#extracting features from text
count_vect = CountVectorizer()
X_train_counts = count_vect.fit_transform([e[0] for e in training_set])
tfidf_transformer = TfidfTransformer()
X_train_tfidf = tfidf_transformer.fit_transform(X_train_counts)

#extracting numerical features
X_train_price = np.array([e[1] for e in training_set])

X = sparse.hstack([X_train_tfidf, X_train_price]) #this is where the problem begins

clf = svm.LinearSVC().fit(X, [e[2] for e in training_set])

我试图将数据类型与sparse.hstack合并，但我得到了以下错误：

ValueError: blocks[0,:] has incompatible row dimensions

我想问题在于X_train_price(价格列表)，但我不知道如何为稀疏函数设置格式，以便成功地工作。

这两个数组的形状如下：

>>> X_train_tfidf.shape
(65845, 23136)
>>>X_train_price.shape
(65845,)

Answer 1

在我看来，这应该像堆叠数组一样简单。如果scikit-learn遵循我熟悉的惯例，那么X_train_tfidf中的每一行都是一个训练数据点，总共有65845分。所以你只需要做一个hstack --就像你说的那样。

但是，您需要确保维度是兼容的！在vanilla numpy中，否则会出现此错误：

>>> a = numpy.arange(15).reshape(5, 3)
>>> b = numpy.arange(15, 20)
>>> numpy.hstack((a, b))
Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
  File "/System/Library/Frameworks/Python.framework/Versions/2.7/
        Extras/lib/python/numpy/core/shape_base.py", line 270, in hstack
    return _nx.concatenate(map(atleast_1d,tup),1)
ValueError: arrays must have same number of dimensions

重塑b以具有正确的维度--注意到形状(5,)的一维数组与形状(5, 1)的二维数组完全不同。

>>> b
array([15, 16, 17, 18, 19])
>>> b.reshape(5, 1)
array([[15],
       [16],
       [17],
       [18],
       [19]])
>>> numpy.hstack((a, b.reshape(5, 1)))
array([[ 0,  1,  2, 15],
       [ 3,  4,  5, 16],
       [ 6,  7,  8, 17],
       [ 9, 10, 11, 18],
       [12, 13, 14, 19]])

因此，在您的例子中，您需要一个形状(65845, 1)的数组，而不是(65845,)。我可能遗漏了什么，因为您使用的是稀疏数组。然而，原则应该是相同的。我不知道您根据上面的代码使用的是什么稀疏格式，所以我只选择了一种来测试：

>>> a = scipy.sparse.lil_matrix(numpy.arange(15).reshape(5, 3))
>>> scipy.sparse.hstack((a, b.reshape(5, 1))).toarray()
array([[ 0,  1,  2, 15],
       [ 3,  4,  5, 16],
       [ 6,  7,  8, 17],
       [ 9, 10, 11, 18],
       [12, 13, 14, 19]])