Python中的缺失值插补

Question

我有两个巨大的向量 item_clusters 和 beta。元素 item_clusters [ i ] 是项目 i 所属的集群 ID。元素 beta [ i ] 是给予项目 i 的分数。分数是 {-1, 0, 1, 2, 3}。

每当特定项目的分数为 0 时，我必须将其与属于同一集群的其他项目的平均非零分数进行估算。最快的方法是什么？

这是我迄今为止尝试过的。我将 item_clusters 转换为矩阵 clusters_to_items 使得元素 clusters_to_items [ i ][ j ] = 1 如果集群 i 包含项目 j，否则为 0。之后我运行以下代码。

# beta (1x1.3M) csr matrix
# num_clusters = 1000
# item_clusters (1x1.3M) numpy.array
# clust_to_items (1000x1.3M) csr_matrix

alpha_z = []
for clust in range(0, num_clusters):
    alpha = clust_to_items[clust, :]
    alpha_beta = beta.multiply(alpha)
    sum_row = alpha_beta.sum(1)[0, 0]
    num_nonzero = alpha_beta.nonzero()[1].__len__() + 0.001
    to_impute = sum_row / num_nonzero
    Z = np.repeat(to_impute, beta.shape[1])
    alpha_z = alpha.multiply(Z)
    idx = beta.nonzero()
    alpha_z[idx] = beta.data
interact_score = alpha_z.tolist()[0]

# The interact_score is the required modified beta 
# This is used to do some work that is very fast

问题是这段代码必须运行 150K 次，而且速度很慢。根据我的估计，运行需要 12 天。

编辑：我相信，我需要一些非常不同的想法，我可以直接使用 item_clusters，而不需要单独遍历每个集群。

Answer 1

我不知道这是否意味着我是这里受欢迎的孩子，但我认为您可以通过以下方式矢量化您的操作：

def fast_impute(num_clusters, item_clusters, beta):

    # get counts
    cluster_counts = np.zeros(num_clusters)
    np.add.at(cluster_counts, item_clusters, 1)

    # get complete totals
    totals = np.zeros(num_clusters)
    np.add.at(totals, item_clusters, beta)

    # get number of zeros
    zero_counts = np.zeros(num_clusters)
    z = beta == 0
    np.add.at(zero_counts, item_clusters, z)

    # non-zero means
    cluster_means = totals / (cluster_counts - zero_counts)

    # perform imputations
    imputed_beta = np.where(beta != 0, beta, cluster_means[item_clusters])

    return imputed_beta

这给了我

>>> N = 10**6
>>> num_clusters = 1000
>>> item_clusters = np.random.randint(0, num_clusters, N)
>>> beta = np.random.choice([-1, 0, 1, 2, 3], size=len(item_clusters))
>>> %time imputed = fast_impute(num_clusters, item_clusters, beta)
CPU times: user 652 ms, sys: 28 ms, total: 680 ms
Wall time: 679 ms

和

>>> imputed[:5]
array([ 1.27582017, -1.        , -1.        ,  1.        ,  3.        ])
>>> item_clusters[:5]
array([506, 968, 873, 179, 269])
>>> np.mean([b for b, i in zip(beta, item_clusters) if i == 506 and b != 0])
1.2758201701093561

---

请注意，我是手动完成上述操作的。如果您使用更高级别的工具会容易得多，比如pandas提供的那些：

>>> df = pd.DataFrame({"beta": beta, "cluster": item_clusters})
>>> df.head()
   beta  cluster
0     0      506
1    -1      968
2    -1      873
3     1      179
4     3      269
>>> df["beta"] = df["beta"].replace(0, np.nan)
>>> df["beta"] = df["beta"].fillna(df["beta"].groupby(df["cluster"]).transform("mean"))
>>> df.head()
      beta  cluster
0  1.27582      506
1 -1.00000      968
2 -1.00000      873
3  1.00000      179
4  3.00000      269

Answer 2

我的怀疑是

alpha_beta = beta.multiply(alpha)

是一个糟糕的主意，因为你只需要行和的第一个元素，所以如果我没记错的话，你会徒劳地做几百万次乘加：

sum_row = alpha_beta.sum(1)[0, 0]

所以，写下 beta * alpha 的离散公式，然后选择您需要的行并推导出其总和的公式。