【机器学习】特征工程 - 文本特征提取CountVectorizer_如何调取countvectorizer的特征词列表

先自我介绍一下，小编浙江大学毕业，去过华为、字节跳动等大厂，目前阿里P7

深知大多数程序员，想要提升技能，往往是自己摸索成长，但自己不成体系的自学效果低效又漫长，而且极易碰到天花板技术停滞不前！

因此收集整理了一份《2024年最新网络安全全套学习资料》，初衷也很简单，就是希望能够帮助到想自学提升又不知道该从何学起的朋友。

既有适合小白学习的零基础资料，也有适合3年以上经验的小伙伴深入学习提升的进阶课程，涵盖了95%以上网络安全知识点，真正体系化！

由于文件比较多，这里只是将部分目录截图出来，全套包含大厂面经、学习笔记、源码讲义、实战项目、大纲路线、讲解视频，并且后续会持续更新

如果你需要这些资料，可以添加V获取：vip204888 （备注网络安全）

正文

转换数据

new_data = vector.fit_transform(old_data)
print(new_data)

输出：

(0, 0) 1
(0, 3) 1
(0, 2) 1
(1, 0) 1
(1, 3) 1
(1, 1) 1

返回的提取的特征默认是「sparse矩阵」，我们用type打印一下返回值的类型。

转换数据

new_data = vector.fit_transform(old_data)
print(type(new_data))

输出：

<class ‘scipy.sparse._csr.csr_matrix’>

这种格式不利于我们观察分析，接下来，我们把sparse矩阵转换成数组格式。


## 三、转换成数组


sparse矩阵内置的 toarray() 方法 ，可以把结果转换成「二维数组」。

from sklearn import feature_extraction

原始数据（字典）

old_data = [
“I am your mather !”,
“I am your father !”]

初始化

vector = feature_extraction.text.CountVectorizer()

转换数据

new_data = vector.fit_transform(old_data)
print(new_data.toarray())

输出：

[[1 0 1 1]
[1 1 0 1]]

这样的格式友好一些，但这些特征是什么意思呢？我们可以通过特征名字来分析。


## 四、特征名字


get\_feature\_names\_out()  方法可以获取「特征名字」。

from sklearn import feature_extraction

原始数据（字典）

old_data = [
“I am your mather !”,
“I am your father !”]

初始化

vector = feature_extraction.text.CountVectorizer()

转换数据

new_data = vector.fit_transform(old_data)
print(new_data.toarray())
print(vector.get_feature_names_out())

输出：

[[1 0 1 1]
[1 1 0 1]]
[‘am’ ‘father’ ‘mather’ ‘your’]

从特征名字我们可以发现，原始数据中出现的每个「单词」，都被当做一个「特征词」。  
 需要注意的是，「标点符号」和「字母」默认不统计，不作为特征词，因为没什么意义。


提取的特征数组中：每一行（也就是每个数组）对应一个「样本」，每一列（也就是数组的每一个值）对应一个特征词。  
 用数字表示特征词出现的次数。


比如第一个数组（[1 0 1 1]）对应第一个样本（“I am your mather !”）；  
 数组中第一位时1，意思就是样本里 ‘am’ 这个词出现了1次；  
 数组中第二位是0，意思就是样本里 ‘father’ 这个词出现了0次；


为了方便观察，我们在第一个样本字符串里添加「重复」的单词：

from sklearn import feature_extraction

原始数据（字典）

old_data = [
“I am your mather mather!”,
“I am your father !”]

初始化

vector = feature_extraction.text.CountVectorizer()

转换数据

new_data = vector.fit_transform(old_data)
print(new_data.toarray())
print(vector.get_feature_names_out())

输出：

[[1 0 2 1]
[1 1 0 1]]
[‘am’ ‘father’ ‘mather’ ‘your’]

可以看到特征数组里有了一个数字2，意思就是样本中，‘mather’ 这个词出现了2次。


## 五、停用词


CountVectorizer()  的 stop\_words 参数可以指定「停用词」。


停用词的意思就是，不被算作特征词的单词，通常用于那些使用很少或没有统计意义的词。


这里我们指定两个停用词，观察一下提取的特征词有什么变化：

原始数据（字典）

old_data = [
“I am your mather mather!”,
“I am your father !”]

初始化

vector = feature_extraction.text.CountVectorizer(stop_words=[‘am’, ‘your’])

转换数据

new_data = vector.fit_transform(old_data)
print(vector.get_feature_names_out())

输出：


## 写在最后

**在结束之际，我想重申的是，学习并非如攀登险峻高峰，而是如滴水穿石般的持久累积。尤其当我们步入工作岗位之后，持之以恒的学习变得愈发不易，如同在茫茫大海中独自划舟，稍有松懈便可能被巨浪吞噬。然而，对于我们程序员而言，学习是生存之本，是我们在激烈市场竞争中立于不败之地的关键。一旦停止学习，我们便如同逆水行舟，不进则退，终将被时代的洪流所淘汰。因此，不断汲取新知识，不仅是对自己的提升，更是对自己的一份珍贵投资。让我们不断磨砺自己，与时代共同进步，书写属于我们的辉煌篇章。**


需要完整版PDF学习资源私我





**网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。**

**需要这份系统化的资料的朋友，可以添加V获取：vip204888 （备注网络安全）**
![img](https://img-blog.csdnimg.cn/img_convert/9949a378426d56578858f8984b199c03.png)

**一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！**

体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。**

**需要这份系统化的资料的朋友，可以添加V获取：vip204888 （备注网络安全）**
[外链图片转存中...(img-fMXx6laI-1713469112441)]

**一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！**