如何对TF-IDF生成的csr_matrix向量求平均值并保持类型？

要计算两个csr_matrix类型向量集合的平均向量且结果仍为csr_matrix，核心是利用稀疏矩阵的原生运算避免转为稠密矩阵，步骤如下：

实现步骤 #

1. 统计两类样本的数量
2. 分别计算两类样本的列求和向量（即类别聚合向量）
3. 对聚合向量求和后除以总样本数，再转为csr_matrix

具体代码 #

from scipy.sparse import csr_matrix

# 统计两类样本的数量
count_a = a.shape[0]
count_b = b.shape[0]
total_count = count_a + count_b

# 计算两类的聚合向量并求平均
sum_a = a.sum(axis=0)
sum_b = b.sum(axis=0)
avg_vector = (sum_a + sum_b) / total_count

# 将结果转换为csr_matrix类型
avg_vector = csr_matrix(avg_vector)

说明 #

• sum(axis=0) 会沿列方向求和，得到对应类别的整体聚合向量，运算全程保持稀疏性，不会占用额外大量内存
• 直接对聚合向量求和再除以总样本数，比先分别求平均再加权求和的效率更高
• 最终通过csr_matrix()转换，确保输出结果仍为稀疏矩阵类型，适配后续稀疏矩阵相关操作

内容的提问来源于stack exchange，提问作者Manuel Ravasqueira