首页 > 文章列表 > Python sklearn CountVectorizer如何使用

Python sklearn CountVectorizer如何使用

Python SKlearn countvectorizer
153 2023-04-25

Python sklearn CountVectorizer如何使用

简介

CountVectorizer官方文档。

将一个文档集合向量化为为一个计数矩阵。

如果不提供一个先验字典,不使用分析器做某种特征选择,那么特征的数量将等于通过分析数据发现的词汇量。

数据预处理

两种方法:1.可以不分词直接投入模型;2.可以先将中文文本进行分词。

两种方法产生的词汇会非常不同。在后面会具体给出示范。

import jieba

import re

from sklearn.feature_extraction.text import CountVectorizer

#原始数据

text = ['很少在公众场合手机外放',

        '大部分人都还是很认真去学习的',

        '他们会用行动来',

        '无论你现在有多颓废,振作起来',

        '只需要一点点地改变',

        '你的外在和内在都能焕然一新']

#提取中文

text = [' '.join(re.findall('[\u4e00-\u9fa5]+',tt,re.S)) for tt in text]

#分词

text = [' '.join(jieba.lcut(tt)) for tt in text]

text

构建模型

训练模型

#构建模型

vectorizer = CountVectorizer()

#训练模型

X = vectorizer.fit_transform(text)

所有词汇:model.get_feature_names()

#所有文档汇集后生成的词汇

feature_names = vectorizer.get_feature_names()

print(feature_names)

不分词生成的词汇

分词后生成的词汇

计数矩阵:X.toarray()

#每个文档相对词汇量出现次数形成的矩阵

matrix = X.toarray()

print(matrix)

#计数矩阵转化为DataFrame

df = pd.DataFrame(matrix, columns=feature_names)

df

词汇索引:model.vocabulary_

print(vectorizer.vocabulary_)