我正在开发一个新闻推荐系统，需要为用户和他们阅读的新闻构建一个表格。我的原始数据如下所示：

001436800277225 [12,456,157]009092130698762 [248]010003000431538 [361,521,83]010156461231357 [173,67,244]010216216021063 [203,97]010720006581483 [86]011199797794333 [142,12,86,411,201]011337201765123 [123,41]011414545455156 [62,45,621,435]011425002581540 [341,214,286]

第一列是userID，第二列是newsID。newsID是一个索引列，例如，转换后，第一行的[12,456,157]表示该用户阅读了第12条、第456条和第157条新闻（在稀疏向量中，第12列、第456列和第157列的值为1，其他列的值为0）。我想将这些数据转换为稀疏向量格式，以便用作sklearn中的Kmeans或DBscan算法的输入向量。我该如何做呢？

回答：

一种方法是显式构建稀疏矩阵。我经常发现用COO矩阵格式构建矩阵更容易，然后转换为CSR格式。

from scipy.sparse import coo_matrixinput_data = [    ("001436800277225", [12,456,157]),    ("009092130698762", [248]),    ("010003000431538", [361,521,83]),    ("010156461231357", [173,67,244])    ]NUMBER_MOVIES = 1000 # 数据中电影的最大索引NUMBER_USERS = len(input_data) # 模型中的用户数量# 你可能需要一种方法来查找给定用户ID的索引user_row_map = {}user_row_index = 0# COO格式的结构I,J,data = [],[],[]for user, movies in input_data:    if user not in user_row_map:        user_row_map[user] = user_row_index        user_row_index+=1    for movie in movies:        I.append(user_row_map[user])        J.append(movie)        data.append(1)  # 用户观看电影的次数# 创建COO格式的矩阵；然后转换为更易用的CSR格式feature_matrix = coo_matrix((data, (I,J)), shape=(NUMBER_USERS, NUMBER_MOVIES)).tocsr()