机器学习基础①——特征抽取,文本向量化,one_hot编码,jieba分词,tf-idf词频

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns
import sklearn
import jieba

"""数据的特征抽取(对文本等数据进行特征值化),特征预处理,特征降维"""
from sklearn.feature_extraction import DictVectorizer,countvectorizer,TfidfVectorizer

"""特征抽取"""
# 特征抽取的目的是将特征转换为计算机能够理解的数字

# one-hot编码 用于对离散特征进行编码
def dictvec():
    """字典数据抽取"""
    # 实例化
    vect_1 = DictVectorizer(sparse=False) # sparse=False表示不产生稀疏矩阵
    # 调用fit_transform
    data = vect_1.fit_transform([{'city':'北京','temperature':100},{'city':'上海','temperature':60},{'city':'深圳','temperature':30}])
    print(vect_1.get_feature_names_out())
    print(data)
    return None

if __name__ == '__main__':
    dictvec()

# countvectorizer 用于对文本进行特征值化 单个字母不统计
def countvec():
    """文本特征抽取"""
    # 实例化
    cv = sklearn.feature_extraction.text.CountVectorizer()
    # 调用fit_transform
    data = cv.fit_transform(["life is short,i like python","life is too long,i dislike python"])
    print(cv.get_feature_names_out())
    print(data.toarray())
    return None

#jieba分词 用于对中文文本进行分词 词语之间用空格隔开 
def cutword():
    """中文文本特征抽取"""
    a = jieba.cut("我爱北京天安门")
    b = jieba.cut("生活像一把无情刻刀")
    c = jieba.cut("我不喜欢日本和服")

    # 转换成列表
    a_1 = list(a)
    b_1 = list(b)
    c_1 = list(c)

    # 转换成字符串
    a_2 = " ".join(a_1)
    b_2 = " ".join(b_1)
    c_2 = " ".join(c_1)

    return a_2,b_2,c_2


def hanzivec():
    a_2,b_2,c_2 = cutword()
    print(a_2,b_2,c_2)
    cv = sklearn.feature_extraction.text.CountVectorizer()
    data = cv.fit_transform([a_2,b_2,c_2])
    print(cv.get_feature_names_out())
    print(data.toarray())
    return None

# tf - idf 用于对文本进行特征值化  tf = 词频/总词数 idf = log(总文档数/包含该词的文档数+1) tf-idf = tf * idf
def tfidfvec():
    """中文文本特征抽取"""
    a_2,b_2,c_2 = cutword()
    print(a_2,b_2,c_2)
    cv = sklearn.feature_extraction.text.TfidfVectorizer()
    data = cv.fit_transform([a_2,b_2,c_2])
    print(cv.get_feature_names_out())
    print(data.toarray())
    return None

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

数字生命Allen

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值