我试图使用scikit learn的CountVectorizer
计算一个简单的单词频率。
import pandas as pd
import numpy as np
from sklearn.feature_extraction.text import CountVectorizer
texts=["dog cat fish","dog cat cat","fish bird","bird"]
cv = CountVectorizer()
cv_fit=cv.fit_transform(texts)
print cv.vocabulary_
{u'bird': 0, u'cat': 1, u'dog': 2, u'fish': 3}
我以为它会返回{u'bird': 2, u'cat': 3, u'dog': 2, u'fish': 2}
。
cv_fit.toarray().sum(axis=0)
确实给出了正确的结果,但是对稀疏矩阵执行求和并将其转换为数组要快得多:我们将使用zip方法从单词列表和计数列表中生成dict
print word_list
['鸟','猫','狗','鱼']
print count_list
[2 3 2 2]
print dict(zip(word_list,count_list))
{'fish':2,'dog':2,'bird':2,'cat':3}
在这个例子中,
cv.vocabulary_
是一个dict,其中键是您找到的单词(特性),值是索引,这就是为什么它们是0, 1, 2, 3
。这只是运气不好,它看起来像你的计数:)您需要使用
cv_fit
对象来获取计数数组中的每一行是原始文档(字符串)之一,每一列是一个特征(word),元素是该特定单词和文档的计数。你可以看到,如果你把每一列相加,你会得到正确的数字
不过,老实说,我建议您使用
collections.Counter
或NLTK中的一些东西,除非您有特定的理由使用scikit learn,因为它会更简单。相关问题 更多 >
编程相关推荐