- 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 = ("The sky is blue.", "The sun is bright.")
test_set = ("The sun in the sky is bright.",
"We can see the shining sun, the bright sun.")
from sklearn.feature_extraction.text import CountVectorizer
vectorizer = CountVectorizer()
print vectorizer
CountVectorizer(analyzer=u'word', binary=False, charset=None,
charset_error=None, decode_error=u'strict',
dtype=<type 'numpy.int64'>, encoding=u'utf-8', input=u'content',
lowercase=True, max_df=1.0, max_features=None, min_df=1,
ngram_range=(1, 1), preprocessor=None, stop_words=None,
strip_accents=None, token_pattern=u'(?u)\\b\\w\\w+\\b',
tokenizer=None, vocabulary=None)
vectorizer.fit_transform(train_set)
print vectorizer.vocabulary
None.
实际上它应该打印以下内容:
CountVectorizer(analyzer__min_n=1,
analyzer__stop_words=set(['all', 'six', 'less', 'being', 'indeed', 'over',
'move', 'anyway', 'four', 'not', 'own', 'through', 'yourselves', (...) --->
For count vectorizer
{'blue': 0, 'sun': 1, 'bright': 2, 'sky': 3} ---> for vocabulary
以上代码来自博客: http://blog.christianperone.com/?p=1589
你能帮我看看为什么会出现这样的错误吗?由于词汇表没有正确索引,我无法继续理解 TF-IDF 的概念。我是 python 的新手,所以任何帮助将不胜感激。
圆弧。
最佳答案
你少了一个下划线,试试这个:
from sklearn.feature_extraction.text import CountVectorizer
train_set = ("The sky is blue.", "The sun is bright.")
test_set = ("The sun in the sky is bright.",
"We can see the shining sun, the bright sun.")
vectorizer = CountVectorizer(stop_words='english')
document_term_matrix = vectorizer.fit_transform(train_set)
print vectorizer.vocabulary_
# {u'blue': 0, u'sun': 3, u'bright': 1, u'sky': 2}
如果你使用ipython shell,你可以使用tab补全,你可以更容易地找到对象的方法和属性。
关于python - CountVectorizer 不打印词汇表,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/28894756/
我有一个简单的问题。我如何使用 Rmarkdown/knitr 创建词汇表。我与 RStudio 合作。 我尝试这个但没有成功 \usepackage{glossaries} 在 header.tex
我正在尝试使用 Pandoc 和 Markdown 来创建词汇表,PDF (/LaTeX) 输出。我遵循了文档 here它使用 glossaries图书馆。一切似乎都在工作,除了 实际上打印出词汇表!
实际上我在Wordlist中使用了一些CITY名称和PUBLISHERS名称。在我的理解中,Wordlist会注释文档中任何列表项的所有出现。但是我发现一个问题,当我改变列表中文本的顺序。 例如: 脚
我目前正在开发一个具有多种自定义内容类型的 Plone 项目。这些内容类型有几个字段,这些字段依次从词汇表中获取它们的值。目前,我只是将我的值硬编码在 vocabularies.py 文件中,如下所示
我想知道是否可以更新 spacys 的默认词汇表。我正在尝试做的是: 使用 gensim 在我自己的语料库上运行 word2vec 使用 nlp.vocab.load_vectors_from_bin
问题 [下面是应用程序在受限条件下的操作说明] 我想要一个数据结构来搜索25万个单词列表中是否存在string,同时仅使用相当数量的ram并保持将数据结构加载到ram中所需的时间很小(比如说0到8秒)
这两个术语有什么区别。到目前为止,我所理解的是,表达式是产生值的任何一段代码。但是在程序中,我应该怎么称呼这个: 5; 值还是表达式?或者我可以互换使用这两个术语吗? 最佳答案 值本质上是分配给变量的
与 INSearchForMessagesIntent在 SiriKit 中,我可以问: list messages in the inbox ,由 INSearchForMessagesIntent
是否有已知的 RDF 词汇表来描述 Uri 组件的元数据? (例如方案、权限、查询字符串等) 更新 我已经找到了 DublinCore term resource for URI ,但在相应的 RDF
如果你创建一个单词表,我正在编写代码。它包含一个“单词”和一个“描述”。单词和描述有自己的 vector 。我也在尝试使用 map 进行同样的尝试。 在我尝试查找单词之前,该程序运行良好。该程序只会从
我正在基于 TF-IDF 向量空间模型进行文本分类。我只有不超过 3000 个样本。为了公平评估,我正在使用 5 折交叉评估分类器validation.但让我困惑的是,是否需要在每次fold cros
我是一名优秀的程序员,十分优秀!