python - sklearn FeatureHasher并行化

sklearn的Featurehasher特征提取器与DictVectorizer对应部分相比具有多个优点，这要归功于使用了哈希技巧。

似乎很难利用的一个优势是它可以并行运行。

我的问题是，如何使FeatureHasher并行运行？

最佳答案

您可以使用FeatureHasher.transform（scikit-learn支持并行处理的库）实现joblib的并行版本：

from sklearn.externals.joblib import Parallel, delayed
import numpy as np
import scipy.sparse as sp

def transform_parallel(self, X, n_jobs):
    transform_splits = Parallel(n_jobs=n_jobs, backend="threading")(
        delayed(self.transform)(X_split)
        for X_split in np.array_split(X, n_jobs))

    return sp.vstack(transform_splits)

FeatureHasher.transform_parallel = transform_parallel
f = FeatureHasher()
f.transform_parallel(np.array([{'a':3,'b':2}]*10), n_jobs=5)

<10x1048576 sparse matrix of type '<class 'numpy.float64'>'
    with 20 stored elements in Compressed Sparse Row format>

关于python - sklearn FeatureHasher并行化，我们在Stack Overflow上找到一个类似的问题：https://stackoverflow.com/questions/39948138/