python - 分解文本特征进行分类

Question

我有一个数据框 df，它包含类似于下图所示的文本和数字特征。

Feature 1     Feature 2         Feature 3           Feature 4         Label
 10            20                keyword             Human             1
  2             3                Keywords            Dog               0
  8             2                Stackoverflow       cat               0

目前我使用factorize 函数将文本特征转换为数字特征，然后使用新的数据框进行分类。

df[' Feature 3'] = df[' Feature 3'].factorize()[0]
df[' Feature 4'] = df[' Feature 4'].factorize()[0]

运行上面的代码后我的数据框看起来像这样

 Feature 1     Feature 2         Feature 3           Feature 4         Label
 10            20                0                    0                 1
  2             3                1                    1                 0
  8             2                2                    2                 0

factorize 函数将 'keywords' 和 'keyword' 读作不同的词，那么有没有函数可以将类似于 'keywords' 和 'keyword' 的词读作相同的词？

输出数据框实际上应该是这样的

 Feature 1     Feature 2         Feature 3           Feature 4         Label
 10            20                0                    0                 1
  2             3                0                    1                 0
  8             2                1                    2                 0

Answer 1

您可能想看看词干分析器。

NLTK 举例说明如何使用它们 here ，但简而言之，词干提取器将单词缩减为词干，例如...

from nltk.stem.porter import *

stemmer = PorterStemmer()

words = ['jog', 'jogging', 'jogged']

[stemmer.stem(word) for word in words]

返回:

['jog', 'jog', 'jog']

或为你

words = ['keyword', 'keywords']

[stemmer.stem(word) for word in words]

返回:

['keyword', 'keyword']

编辑:

我应该指出，单词不需要相似也能起作用:

words = ['drinking', 'running', 'walking', 'walked']

输出:

['drink', 'run', 'walk', 'walk']