質問をすることでしか得られない、回答やアドバイスがある。

15分調べてもわからないことは、質問しよう!

ただいまの
回答率

90.49%

  • Python 3.x

    10189questions

    Python 3はPythonプログラミング言語の最新バージョンであり、2008年12月3日にリリースされました。

大量のベクトルデータをCSVファイルに出力したら、途中のデータが省略されてしまう

解決済

回答 1

投稿 編集

  • 評価
  • クリップ 3
  • VIEW 1,386

okuya

score 11

CountVectorizerで単語の出現数をカウントしたデータをCSVファイルに出力したところ、
途中のデータが省略されてしまいます。(printも同様)

全データを出力するにはどうすれば良いでしょうか?

from sklearn.feature_extraction.text import CountVectorizer
import csv 

csvc_vec = CountVectorizer()    
count = c_vec.fit_transform(data)
with open('count.csv', 'wt') as f:
    writer = csv.writer(f)
    writer.writerows(count)


以下、count.csvファイルをエディタ等で開いた表示
"  (0, 0)    29
(0, 1)    22
省略
(0, 31)    6
(0, 32)    6
:    :
(0, 28745)    11
(0, 28749)    3
省略
(0, 28791)    1
(0, 28793)    26"

実際のdetaは、test5.pyのサンプルにように単語がブランクで区切られた文字列の配列です。
countの型とサイズは以下の通りです。
print(type(count)):    <class 'scipy.sparse.csr.csr_matrix'>
print(count.shape):(1, 28799)

<test5.py>

from sklearn.feature_extraction.text import CountVectorizer
import csv
data =  ['Twinkle twinkle little star' 'How I wonder what you are' 'Up above the world so high' 'Like a diamond in the sky' 'Twinkle twinkle little star' 'How I wonder what you are']  
csvc_vec = CountVectorizer()
count = csvc_vec.fit_transform(data)
with open('count.csv', 'wt') as f:
      writer = csv.writer(f)
      writer.writerows(count)
print(count)    
print(type(count)) 
print(count.shape)


>test5.py
(0, 1)        1
(0, 7)        1
(0, 5)        1
(0, 3)        1
(0, 4)        1
(0, 8)        1
(0, 14)       1
(0, 10)       2
(0, 0)        1
(0, 2)        1
(0, 15)       2
(0, 12)       2
(0, 13)       2
(0, 9)        2
(0, 6)        2
(0, 11)       3
<class 'scipy.sparse.csr.csr_matrix'>
(1, 16)

  • 気になる質問をクリップする

    クリップした質問は、後からいつでもマイページで確認できます。

    またクリップした質問に回答があった際、通知やメールを受け取ることができます。

    クリップを取り消します

  • 良い質問の評価を上げる

    以下のような質問は評価を上げましょう

    • 質問内容が明確
    • 自分も答えを知りたい
    • 質問者以外のユーザにも役立つ

    評価が高い質問は、TOPページの「注目」タブのフィードに表示されやすくなります。

    質問の評価を上げたことを取り消します

  • 評価を下げられる数の上限に達しました

    評価を下げることができません

    • 1日5回まで評価を下げられます
    • 1日に1ユーザに対して2回まで評価を下げられます

    質問の評価を下げる

    teratailでは下記のような質問を「具体的に困っていることがない質問」、「サイトポリシーに違反する質問」と定義し、推奨していません。

    • プログラミングに関係のない質問
    • やってほしいことだけを記載した丸投げの質問
    • 問題・課題が含まれていない質問
    • 意図的に内容が抹消された質問
    • 広告と受け取られるような投稿

    評価が下がると、TOPページの「アクティブ」「注目」タブのフィードに表示されにくくなります。

    質問の評価を下げたことを取り消します

    この機能は開放されていません

    評価を下げる条件を満たしてません

    評価を下げる理由を選択してください

    詳細な説明はこちら

    上記に当てはまらず、質問内容が明確になっていない質問には「情報の追加・修正依頼」機能からコメントをしてください。

    質問の評価を下げる機能の利用条件

    この機能を利用するためには、以下の事項を行う必要があります。

質問への追記・修正、ベストアンサー選択の依頼

  • mdj

    2017/09/01 17:35

    こちらのURLの内容にある「.todense()」を使用するというのはどうでしょうか。 https://stackoverflow.com/questions/35424459/printing-complete-coo-matrix 見当違いでしたらすいません。

    キャンセル

  • okuya

    2017/09/02 14:41

    print(type(count))とprint(count.shape)の実行結果を追記しました。

    キャンセル

  • okuya

    2017/09/02 22:58

    module_jungさん ありがとうございます。

    キャンセル

回答 1

checkベストアンサー

+3

原因は、print(count)同様の出力結果を文字列としてそのまま書き込んでいるからです。

今一つやりたいことが分かりませんが、疎行列のまま、行列位置と値をCSV形式で出力したい場合は
scipy.io.mmwriteにてMatrix Market形式で出力したテキストを中間ファイルとして利用すれば可能です。

参考:Dump a sparse matrix into a file

from sklearn.feature_extraction.text import CountVectorizer

# Scikit learnで行う文章の特徴ベクトルの抽出
# http://nonbiri-tereka.hatenablog.com/entry/2015/06/04/070933
cv = CountVectorizer()
data = [
    'This is a pen.',
    'That is a bot.',
    'These are red document and blue document.',
]
count = cv.fit_transform(data)
print(count)

# Matrix Marketファイル(.mtx)を中間ファイルとして利用
from scipy import io
io.mmwrite( 'count', count)
with open( 'count.mtx', 'r') as t:
    lines = t.read().split('\n')
    lines = lines[3:] # 不要な先頭3行を飛ばす
    print(lines)
import os
#os.remove('count.mtx') # 不要なので削除

import csv
with open('count.csv', 'wt',newline='') as f:
    writer = csv.writer(f)
    for l in lines:
        # 1 7 1
        dat = l.split()
        if len(dat) == 3:
            # 行列位置を0オリジンに
            dat[0] = int(dat[0]) - 1
            dat[1] = int(dat[1]) - 1
            writer.writerow(dat)

出力結果 : count.csv

0,6,1
0,5,1
0,10,1
1,3,1
1,8,1
1,5,1
2,2,1
2,0,1
2,4,2
2,7,1
2,1,1
2,9,1

投稿

  • 回答の評価を上げる

    以下のような回答は評価を上げましょう

    • 正しい回答
    • わかりやすい回答
    • ためになる回答

    評価が高い回答ほどページの上位に表示されます。

  • 回答の評価を下げる

    下記のような回答は推奨されていません。

    • 間違っている回答
    • 質問の回答になっていない投稿
    • スパムや攻撃的な表現を用いた投稿

    評価を下げる際はその理由を明確に伝え、適切な回答に修正してもらいましょう。

  • 2017/09/02 14:46

    can110さん いつも適切な助言ありがとうございます。
    ご回答で示して頂いたコードを参考に実際のコードを修正したところ、やりたかったことができました。
    ありがとうございました。

    キャンセル

同じタグがついた質問を見る

  • Python 3.x

    10189questions

    Python 3はPythonプログラミング言語の最新バージョンであり、2008年12月3日にリリースされました。