python - 识别数据集中的特征类型: categorical or bag of words

Question

我正在尝试识别数据集中的特征类型，该特征可以是分类/词袋/ float 。

但是，由于以下原因，我无法找到区分分类词和词袋的准确解决方案。

1. 分类数据可以是对象或 float 。计算特征中的唯一值并不能确保准确的解决方案，因为不同的样本可以具有相同的特征值，而这些特征值不一定是分类的。
2. 对于袋子或单词，我想过计算单词数，但这又不是正确的方法，因为文本可以用单个单词书写，也可能会丢失。

识别特征类型的最佳方法是什么？

Answer 1

好吧，您对这两个术语感到困惑:

分类数据是一种可以在不同类别之间进行分类的数据，尤其是两个以上类别或多类别的数据。搜索 20 个新闻组数据集。

鉴于，词袋是一种存储特征的技术。特征的识别是根据所需的结果来完成的。有一些技术可以从sklearn中提取特征，例如TF-IDF Vectorizer，Word2Vec，Doc2Vec等。但是特征的识别仅基于您使用的数据集及其用途的应用程序。永远记住，如果您将文本数据转换为数字形式或其他形式，列名称是您的特征或维度，而行是您的样本、实例或记录。