这是我的代码以及调用todense()时出现的内存错误，我使用的是GBDT模型，想知道是否有人有好的方法来解决内存错误？谢谢。
for feature_colunm_name in feature_columns_to_use: X_train[feature_colunm_name] = CountVectorizer().fit_transform(X_train[feature_colunm_name]).todense() X_test[feature_colunm_name] = CountVectorizer().fit_transform(X_test[feature_colunm_name]).todense() y_train = y_train.astype('int') grd = GradientBoostingClassifier(n_estimators=n_estimator, max_depth=10) grd.fit(X_train.values, y_train.values)详细的错误信息，
in _process_toarray_args return np.zeros(self.shape, dtype=self.dtype, order=order)MemoryError...此致，林
回答：
这里有多个问题：
for feature_colunm_name in feature_columns_to_use: X_train[feature_colunm_name] = CountVectorizer().fit_transform(X_train[feature_colunm_name]).todense() X_test[feature_colunm_name] = CountVectorizer().fit_transform(X_test[feature_colunm_name]).todense()1) 您试图将多个列（CountVectorizer的结果将是一个二维数组，其中列代表特征）分配给DataFrame中的单个列’feature_colunm_name‘，这是行不通的，会产生错误。
2) 您在测试数据上再次拟合CountVectorizer，这是错误的。您应该在测试数据上使用与训练数据相同的CountVectorizer对象，并且只调用transform()，而不是fit_transform()。
应该像这样：
cv = CountVectorizer()X_train_cv = cv.fit_transform(X_train[feature_colunm_name])X_test_cv = cv.transform(X_test[feature_colunm_name])3) GradientBoostingClassifier对稀疏数据表现良好。文档中尚未提及这一点（似乎是文档上的一个错误）。
4) 您似乎在将原始数据的多个列转换为词袋形式。为此，您将需要使用同样多的CountVectorizer对象，然后将所有输出数据合并到一个数组中，传递给GradientBoostingClassifier。
更新：
您需要设置如下内容：
# 合并稀疏矩阵from scipy.sparse import hstackresult_matrix_train = Noneresult_matrix_test = Nonefor feature_colunm_name in feature_columns_to_use: cv = CountVectorizer() X_train_cv = cv.fit_transform(X_train[feature_colunm_name]) # 将向量与其他合并 result_matrix_train = hstack((result_matrix_train, X_train_cv)) if result_matrix_train is not None else X_train_cv # 现在转换测试数据 X_test_cv = cv.transform(X_test[feature_colunm_name]) result_matrix_test = hstack((result_matrix_test, X_test_cv)) if result_matrix_test is not None else X_test_cv注意：如果您有其他未通过Countvectorizer处理的列，因为它们已经是数值型的，您想将它们与result_matrix_train合并，您也可以这样做：
result_matrix_train = hstack((result_matrix_test, X_train[other_columns].values)) result_matrix_test = hstack((result_matrix_test, X_test[other_columns].values)) 现在使用这些来训练：
...grd.fit(result_matrix_train, y_train.values)