- c - 在位数组中找到第一个零
- linux - Unix 显示有关匹配两种模式之一的文件的信息
- 正则表达式替换多个文件
- linux - 隐藏来自 xtrace 的命令
我正在使用 scikit learn 中的 CountVectorizer,我可能正在尝试做一些该对象不是为之创建的事情...但我不确定。
在获取发生次数方面:
vocabulary = ['hi', 'bye', 'run away!']
corpus = ['run away!']
cv = CountVectorizer(vocabulary=vocabulary)
X = cv.fit_transform(corpus)
print X.toarray()
给出:
[[0 0 0 0]]
我意识到 CountVectorizer 会将语料库分解成我认为是一元组的内容:
vocabulary = ['hi', 'bye', 'run']
corpus = ['run away!']
cv = CountVectorizer(vocabulary=vocabulary)
X = cv.fit_transform(corpus)
print X.toarray()
给出:
[[0 0 1]]
有什么方法可以准确地告诉 CountVectorizer 您希望如何矢量化语料库?理想情况下,我希望得到与第一个示例类似的结果。
然而,老实说,我想知道是否有可能按照这些思路获得结果:
vocabulary = ['hi', 'bye', 'run away!']
corpus = ['I want to run away!']
cv = CountVectorizer(vocabulary=vocabulary)
X = cv.fit_transform(corpus)
print X.toarray()
[[0 0 1]]
我在 fit_transform 方法的文档中没有看到太多信息,它只接受一个参数。如果有人有任何想法,我将不胜感激。谢谢!
最佳答案
你想要的参数叫做ngram_range
。您将元组 (1,2)
传递给构造函数以获取一元组和二元组。但是,您传入的词汇表必须是 dict
,其中 ngram 作为键,整数作为值。
In [20]: print CountVectorizer(vocabulary={'hi': 0, u'bye': 1, u'run away': 2}, ngram_range=(1,2)).fit_transform(['I want to run away!']).A
[[0 0 1]]
请注意,默认标记器会删除末尾的感叹号,因此最后一个标记是away
。如果您想更好地控制字符串如何分解为标记,请关注@BrenBarn 的评论。
关于python - 我可以控制 CountVectorizer 在 scikit learn 中矢量化语料库的方式吗?,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/24007812/
使用以下代码,CountVectorizer 将“风干肉”分解为 3 个不同的向量。但我想要的是将“风干肉”保留为 1 个向量。我该怎么做? 我运行的代码: from sklearn.feature_
我正在尝试对我拥有的一组推文使用多项式朴素贝叶斯分类。 这是我的代码: import codecs from sklearn.feature_extraction.text import CountV
我正在使用 sklearn python 包,我在使用预先创建的字典创建 CountVectorizer 时遇到问题,其中 CountVectorizer 不会删除以下功能只出现一次或根本不出现。 这
假设我的文本文件包含以下文本: The quick brown fox jumped over the lazy dogs. A stitch in time saves nine. The quic
我已经使用 python 创建了一个文本分类模型。我有 CountVectorizer,它会生成 2034 行和 4063 列(唯一单词)的文档术语矩阵。我保存了用于新测试数据的模型。我的新测试数据
CountVectorizer 忽略大写单词的原因是什么? cv = CountVectorizer(stop_words=None,analyzer='word',token_pattern='.*
有人会尝试向我解释为什么当我尝试 fit_transform 任何短词时 CountVectorizer 会引发此错误吗?即使我使用 stopwords=None 我仍然会得到同样的错误。这是代码 f
我有一个名为 dictionary1 的列表。我使用以下代码获取文本的稀疏计数矩阵: cv1 = sklearn.feature_extraction.text.CountVectorizer(sto
这是我的数据集: anger,happy food food anger,dog food food disgust,food happy food disgust,food dog food neu
我有如下整数列表: mylist = [111,113,114,115,112,115,234,643,565,.....] 我有很多这样的列表,其中包含超过 500 个整数,我想在其上运行 Coun
尝试将字符串转换为数值向量, ### Clean the string def names_to_words(names): print('a') words = re.sub("[^
在我的分类模型中,我需要保留大写字母,但是当我使用 sklearn countVectorizer 构建词汇表时,大写字母转换为小写字母! 为了排除隐式分词,我构建了一个分词器,它只传递文本而无需任何
我是 NLTK 的新人,在创建评论分类器时遇到问题。 当作为输入传递的数据的形状为 (10000,1) 时,我无法理解转换后的数据的形状如何是 1*1 稀疏矩阵我对原始评论数据进行了一些处理。比如删除
我正在尝试从给定的文档中提取一些特征,给定一组预定义的特征。 from sklearn.feature_extraction.text import CountVectorizer features
我已经安装了 python 2.7、numpy 1.9.0、scipy 0.15.1 和 scikit-learn 0.15.2。现在,当我在 python 中执行以下操作时: train_set =
我了解 CountVectorizer 的一般工作原理。它获取单词标记并创建文档(行)和标记计数(列)的稀疏计数矩阵,我们可以将其用于 ML 建模。 但是,它如何处理可能出现在测试数据中但未出现在训练
CountVectorizer 默认标记模式将下划线定义为字母 corpus = ['The rain in spain_stays' ] vectorizer = CountVectorizer(t
我正在尝试将 Lematization 添加到来自 Skit-learn 的 CountVectorizer,如下 import nltk from pattern.es import lemma f
目前,我有一个 CountVectorizer 函数 CountVectorizer(stop_words=stopwords.words('spanish'),token_pattern=r'(?u
我正在清理文本,然后将其传递给 CountVectorizer 函数,以计算每个单词在文本中出现的次数。问题在于它将 10,000x 视为两个单词(10 和 000x)。同样,对于 5.00,它将 5
我是一名优秀的程序员,十分优秀!