python - 返回 CountVectorizer 中行的索引，这些行在 scikit 学习中具有特定功能的非零条目

Question

我一直在搜索 Python 的 sklearn 包的文档。

我用我的语料库创建了一个 CountVectorizer 对象，对其进行了拟合和转换。

我正在寻找一个函数，该函数可以为某些特定列返回具有非零条目的所有行的索引。

因此，如果我的 CountVectorizer 中的行由音乐评论组成，而列由特征组成(例如，有一列用于统计单词“歌词”)，那么 sci kit-learn 中是否有一个函数可以返回包含该词的乐评指标吗？

我查看了 inverse_transform(X) 函数，它没有执行此功能。

我想我不是第一个对此功能感兴趣的人。

sklearn 中是否存在这样的功能，如果不存在，是否有其他对类似过程感兴趣的人提出了实现此功能的好方法？

提前致谢。

更新:

我最好的解决方案是迭代列数(在我的例子中，我有 100 个特征):

for i in range(99):
    print X.indices[X.indptr[i]:X.indptr[i+1]]

但这看起来很浪费，因为它是迭代的并且范围必须硬编码，并且它会为稀疏列返回空列表。

Answer 1

我在文档中也没有看到可以执行此操作的函数，但这应该可以解决问题:

def lookUpWord(vec,dtm,word):
    i = vec.get_feature_names().index(word)
    return dtm[:,i].nonzero()[0]

这是一个简单的例子:

>>> from sklearn.feature_extraction.text import CountVectorizer
>>> 
>>> corpus = [
...     'This is the first document.',
...     'This is the second second document.',
...     'And the third one.',
...     'Is this the first document?'
...     ]
>>> 
>>> X = CountVectorizer()
>>> Y = X.fit_transform(corpus)
>>> lookUpWord(X,Y,'first')
array([0, 3], dtype=int32)