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
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相关问题 更多 >
编程相关推荐