python - 使用 sklearn count vectorizer 获取 n gram 后缀

Question

我正在尝试为一个词获取 1、2、3 克后缀，并将它们用作我模型中的特征。

例子，

word = "Apple"
 1 gram suffix = 'e'
 2 gram suffix = 'le'
 3 gram suffix = 'ple'

我在 sklearn 中使用了 CountVectorizer 和 ngram_range=(1,3) 但这给出了所有 n 克。我只需要 n 克后缀。

我该怎么做？

此外，我是 NLP 的新手，不知道如何在我的 ML 模型中使用这些 n 克作为特征。我如何才能将这些“字符串”n-gram 特征转换为某种数字表示形式，以便我可以在我的模型中使用它们。

有人可以帮帮我吗？

Answer 1

您可以定义自定义分析器 来定义如何从输入中获取特征。对于您的情况，一个从单词中获取后缀的简单 lambda 函数就足够了:

from sklearn.feature_extraction.text import CountVectorizer

word = ["Orange","Apple", "I"]
n=3
vect = CountVectorizer(analyzer=lambda x: (x[-i-1:] for i in range(0,min(n,len(x)))))
mat = vect.fit_transform(word).todense()

现在，如果我们从生成的向量化矩阵构造一个数据框:

pd.DataFrame(mat, columns=vect.get_feature_names())

   I  e  ge  le  nge  ple
0  0  1   1   0    1    0
1  0  1   0   1    0    1
2  1  0   0   0    0    0