获取特定的类

Question

我有一个tweet数据集，每个tweet标记为仇恨（1）或非仇恨（0）。我使用[3,4]字符n-grams字包（sklearn的CountVectorizer）对数据进行了矢量化，我想为每个类提取最频繁的n-grams。下面的代码可以工作，但它概括了整个数据，而不是集中在类本身

bag_of_words = CountVectorizer(
    ngram_range =(3,4),
    analyzer='char'
)

bag_of_words_mx = bag_of_words.fit_transform(X)

vocab = bag_of_words.vocabulary_
count_values = bag_of_words_mx.toarray().sum(axis=0)

# output n-grams
for ng_count, ng_text in sorted([(count_values[i],k) for k,i in vocab.items()]):
    if ng_count > 1:
        print(ng_count, ng_text)

有没有办法按班级对词汇进行排序

Answer 1

试试bag_of_words_mx[y == 0]和bag_of_words_mx[y == 1]，其中y是包含目标变量的数组