sklearn基础(一)文本特征提取函数CountVectorizer()和TfidfVectorizer()
CountVectorizer()函数
CountVectorizer()函数只考虑每个单词出现的频率;然后构成一个特征矩阵,每一行表示一个训练文本的词频统计结果。其思想是,先根据所有训练文本,不考虑其出现顺序,只将训练文本中每个出现过的词汇单独视为一列特征,构成一个词汇表(vocabulary list),该方法又称为词袋法(Bag of Words)。
我们举一个例子:
from sklearn.feature_extraction.text import CountVectorizer,TfidfVectorizertexts=["orange banana apple grape","banana apple apple","grape", 'orange apple'] cv = CountVectorizer() cv_fit=cv.fit_transform(texts) print(cv.vocabulary_) print(cv_fit) print(cv_fit.toarray())
输出如下:
{'orange': 3, 'banana': 1, 'apple': 0, 'grape': 2} #这里是根据首字母顺序,将texts变量中所有单词进行排序,apple首字母为a所以 # 排第一,banana首字母为b所以排第二
(0, 2) 1 # (0, 2) 1 中0表示第一个字符串"orange banana apple grape";2对应上面的'grape': 2;1表示出现次数1。整体理 # 解为第一字符串的顺序为二的词语在出现次数为1
(0, 0) 1
(0, 1) 1
(0, 3) 1
(1, 0) 2
(1, 1) 1
(2, 2) 1
(3, 0) 1
(3, 3) 1
[[1 1 1 1] # 第一个字符串,排名0,1,2,3词汇(apple,banana,grape,orange)出现的频率都为1
[2 1 0 0] #第二个字符串,排名0,1,2,3词汇(apple,banana,grape,orange)出现的频率为2,1,00
[0 0 1 0]
[1 0 0 1]]
TfidfVectorizer()函数
TfidfVectorizer()基于tf-idf算法。此算法包括两部分tf和idf,两者相乘得到tf-idf算法。
tf算法统计某训练文本中,某个词的出现次数,计算公式如下:
或
idf算法,用于调整词频的权重系数,如果一个词越常见,那么分母就越大,逆文档频率就越小越接近0。
tf-idf算法=tf算法 * idf算法。
我们依旧采用上面的例子:
from sklearn.feature_extraction.text import CountVectorizer,TfidfVectorizertexts=["orange banana apple grape","banana apple apple","grape", 'orange apple'] cv = TfidfVectorizer() cv_fit=cv.fit_transform(texts) print(cv.vocabulary_) print(cv_fit) print(cv_fit.toarray())
输出如下:
{'orange': 3, 'banana': 1, 'apple': 0, 'grape': 2}
(0, 3) 0.5230350301866413 #(0,3)表示第一个字符串的orange词语,其TF=1/4,IDF中总样本和包含有改词的文档数,目 # 前也不知道是如何得出,望有知道的人能评论告之。最后得出结果0.5230350301866413
(0, 1) 0.5230350301866413
(0, 0) 0.423441934145613
(0, 2) 0.5230350301866413
(1, 1) 0.5254635733493682
(1, 0) 0.8508160982744233
(2, 2) 1.0
(3, 3) 0.7772211620785797
(3, 0) 0.6292275146695526
[[0.42344193 0.52303503 0.52303503 0.52303503]
[0.8508161 0.52546357 0. 0. ]
[0. 0. 1. 0. ]
[0.62922751 0. 0. 0.77722116]]
sklearn基础(一)文本特征提取函数CountVectorizer()和TfidfVectorizer()相关推荐
- Python文本特征提取 DictVectorizer CountVectorizer TfidfVectorizer 附代码详解
文章目录 DictVectorizer 对使用字典储存的数据进行特征提取与向量化 CountVectorizer / TfidfVectorizer 处理无特殊数据结构存储的数据 词袋模型(Bag o ...
- 自然语言典型工具TextBlob、Gensim、Polyglot,关键词抽取(jieba、TF-IDF、textrank)和特征提取(CountVectorizer、TfidfVectorizer)
一.自然语言处理的典型工具 自然语言处理的三项基本技术为单词切分.句法分析.语义理解. 1. TextBlob TextBlob是自然语言处理的python库.它为常见的自然语言处理提供一个简单地AP ...
- NLP基础--文本特征提取中文分词word2vec原理
文章目录 1. 文本特征提取 1.1 词集模型 1.2 BOW(Bag of Words)词袋模型 1.3 TF-IDF 2. 中文分词 2.1 基于词典匹配的分词方法 2.1.1 正向最大匹配(MM ...
- NLP中的语言模型及文本特征提取算法
本文以基本语言模型为逻辑主线,漫谈NLP中两个核心问题,即文本表示(Text Representation)与文本特征提取(Feature Engineering).通过本文你会发现,NLP的一部分经 ...
- python实现sklearn的基本操作流程,sklearn预处理方法,sklearn基础算法的使用,以及sklearn模型的选择方法。
python实现sklearn的基本操作流程,sklearn预处理方法,sklearn基础算法的使用,以及sklearn模型的选择方法. 一.数据的获取与分析 1.读取数据 2.分析数据 二.数据的预 ...
- sklearn之pipeline:pipeline函数/make_pipeline函数的简介及其区别联系、使用技巧、案例应用之详细攻略
sklearn之pipeline:pipeline函数/make_pipeline函数的简介及其区别联系.使用技巧.案例应用之详细攻略 目录 sklearn.pipeline函数简介 1.Why pi ...
- Python 文本特征提取
文章目录 一.字典特征抽取 二.文本特征数值的统计 英文文本 中文文本 Tf-idf 一.字典特征抽取 使用到的API DictVectorizer(sparse=True) from sklearn ...
- sklearn基础篇(一)-- datasets数据集
sklearn的数据集库datasets提供很多不同的数据集,主要包含以下几大类: 1. 通用数据集 2. 真实世界中的数据集 3. 样本生成器 ...
- 字典特征提取,文本特征提取。
文章目录 1 定义 2. 字典特征提取API 3. 字典特征提取案例: 1.实现效果: 2.实现代码 4. 文本特征提取 1. 方法 2. 英文案例 1. 实现效果 2.流程 3. 中文案例 使用到的 ...
最新文章
- Java单元测试之JUnit4详解
- 《javascript高级程序设计》笔记:原型图解
- 用php打出前一天的时间格式,[php]用PHP打印出前一天的时间格式
- Flask爱家租房--城区信息
- unas 下 Transmission 下载使用体会
- 2018看得见的未来:数字化医疗发展三大看点
- 阿里云服务器添加CDN
- 无数次踩坑安装AWVS
- 什么是promise?
- lightdm .service: Start request repeated too quickly. grub正常,不显示登录和桌面 Endeavour
- 文献阅读-10X单细胞揭示肿瘤浸润性T细胞的泛癌单细胞图谱
- 基于正点原子触摸屏ui设计_基于黄金比例ui%C9%B8的设计系统
- C语言——副作用(side effects)和序列点(sequence points)
- 使用cmake调试“Could NOT find Boost (missing: iostreams program_options system“
- 作为面试官被放鸽子的50个理由,论如何放面试官的鸽子
- EDA Verilog语言 期末考试0基础预习笔记(数字系统设计)PART4——EDA填空题
- Ubuntu系统解压文件后乱码解决方法
- Unity 3D俄罗斯方块
- 浙大计算机学院采访,浙大计算机学院副教授给你来上课
- 街舞瘦身操(有慢动作分解)视频全集