【特征工程】词袋模型/TF-IDF模型/词汇表模型的代码实现(文本特征提取)

1.词袋模型

• 词集模型：单词构成的集合，集合中仅统计单词的有无，不统计具体单词的出现的次数
• 词袋模型：在词集模型的基础上，统计单词出现的次数

两者区别在于词袋模型增加了对具体单词(特征)频率的维度。

1.1导包

from sklearn.feature_extraction.text import CountVectorizer

1.2函数介绍

CountVectorizer：收集的文本文档转换为矩阵的令牌数量

class sklearn.feature_extraction.text.CountVectorizer(*, input='content', encoding='utf-8', decode_error='strict', strip_accents=None, lowercase=True, preprocessor=None, tokenizer=None, stop_words=None, token_pattern='(?u)\b\w\w+\b', ngram_range=(1, 1), analyzer='word', max_df=1.0, min_df=1, max_features=None, vocabulary=None, binary=False, dtype=<class 'numpy.int64'>)

常用参数介绍：

• input：string {‘filename’, ‘file’, ‘content’}, default=’content’。如果“filename”，作为参数传递给fit的序列应该是一个文件名列表，需要读取这些文件名以获取要分析的原始内容。如果“file”，序列项必须有一个“read”方法(类文件对象)，该方法被调用来获取内存中的字节；否则，输入应该是一个项目序列，类型可以是string或byte。
• encoding：string, default=’utf-8’，如果字节或文件被给予分析，这种编码被用来解码。
• lowercase：bool, default=True。在标记之前将所有字符转换为小写。
• analyzer：string, {‘word’, ‘char’, ‘char_wb’} or callable, default=’word’。该特征是由n个字母组成还是由n个字母组成。选择“char_wb”创建角色-gram只从文本单词边界;字格词带的边缘空间。
• stop_words：string {‘english’}, list, default=None。如果“english”，则使用内置的英语停止词列表。如果“english”，则使用内置的英语停止词列表。如果一个列表，则假定该列表包含停止词，所有这些词都将从结果标记中删除。只适用于analyzer == ‘word’。
• min_df：float in range [0.0, 1.0] or int, default=1。在构建词汇表时，忽略那些文档频率严格低于给定阈值的术语。这个值在文献中也称为cut-off。如果是浮点数，则该参数表示文档的比例，整数绝对计数。

1.3 代码示例

corpus = [
     'This is the first document.',
     'This document is the second document.',
     'And this is the third one.',
     'Is this the first document?',
 ]
vectorizer = CountVectorizer()
X = vectorizer.fit_transform(corpus)
# 获取词袋化特征向量
print(X.toarray())
# 获取对应的字节名称
print(vectorizer.get_feature_names())

输出：

[[0 1 1 1 0 0 1 0 1]
 [0 2 0 1 0 1 1 0 1]
 [1 0 0 1 1 0 1 1 1]
 [0 1 1 1 0 0 1 0 1]]
['and', 'document', 'first', 'is', 'one', 'second', 'the', 'third', 'this']

使用现有的词袋的词汇表，对其他文本进行特征提取，我们定义词袋的特征空间叫做词汇表(vocabulary)，针对其他文本进行词袋处理时，可以直接使用现有的词汇表：

my_vocalulary = vectorizer.vocabulary_ # 获取词汇表,术语到特征索引的映射，属于字典类型。
new_vectorizer = CountVectorizer(vocabulary=my_vocalulary)
new_corpus = ['And the first']
new_X = new_vectorizer.transform(new_corpus) # 无需再fit，直接使用transform函数
print(new_X.toarray())
print(new_vectorizer.get_feature_names())

输出：

[[1 0 1 0 0 0 1 0 0]]
['and', 'document', 'first', 'is', 'one', 'second', 'the', 'third', 'this']

2.TF-IDF模型

词频与反文档频率模型（term frequency-inverse document frequency,TF-IDF），用以评估某一字词对于一个文件集或一个语料库的重要程度，字词的重要性跟它在文件中出现的次数成正比，同时跟它在语料库中出现的频率成反比。
TF-IDF的主要思想：TF-IDF是指TF乘IDF，其中词频（TF）是根据某个词或短语在一篇文章中出现的频率即词频，如果频率高，并且在其他文章中很少出现，则认为该词具有很好的区分能力；反文档频率（IDF）指：如果包含词条a的文档越少，也就说n越小，IDF越大，说明词条a具有很好的区分能力。

2.1 导包

from sklearn.feature_extraction.text import TfidfTransformer

2.2 函数介绍

class sklearn.feature_extraction.text.TfidfTransformer(*, norm='l2', use_idf=True, smooth_idf=True, sublinear_tf=False)

参数：

• norm：{‘l1’, ‘l2’}, default=’l2’。每个输出行都有单位范数，可以是: ’ l2 ':向量元素的平方和为1。当应用l2范数时，两个向量之间的余弦相似度是它们的点积。‘l1’:向量元素的绝对值之和为1。
• use_idf：bool, default=True。使inverse-document-frequency权重。
• smooth_idf：bool, default=True。通过在文档频率上增加1来平滑idf权重，就好像在一个额外的文档中只包含集合中的每一个词一样。防止零分歧。
• sublinear_tf：bool, default=False。应用次线性tf缩放，即将tf替换为1 + log(tf)。

具体关于TF-IDF的计算方法可详见scikit-learn中文社区

2.3 代码示例

TF-IDF模型常用和词袋模型配合使用，对词袋模型生成的数组进一步处理。

import numpy as np
count = [[1, 1, 1, 1, 0, 1, 0, 0],
       [1, 2, 0, 1, 1, 1, 0, 0],
       [1, 0, 0, 1, 0, 1, 1, 1],
       [1, 1, 1, 1, 0, 1, 0, 0]]
transformer = TfidfTransformer()
tfidf = transformer.fit_transform(count)
print(tfidf.toarray())

输出：

[[0.38408524 0.46979139 0.58028582 0.38408524 0.         0.38408524        0.         0.       ]
 [0.28108867 0.6876236  0.         0.28108867 0.53864762 0.28108867        0.         0.        ]
 [0.31091996 0.         0.         0.31091996 0.         0.31091996        0.59581303 0.59581303]
 [0.38408524 0.46979139 0.58028582 0.38408524 0.         0.38408524        0.         0.        ]]

3.词汇表模型

虽然词袋模型能表现文本由哪些词汇组成，但是无法表达词汇直接的前后关系,词汇表模型弥补了这方面不足。

由于没有找到现成的API直接供我们使用，因此借用TensorFlow2手动实现了该方法：

import tensorflow as tf # 当前测试版本为2.3
x_text = [
    'i love you',
    'me too',
    'i me too'
]
x_text_list = [tf.keras.preprocessing.text.text_to_word_sequence(a) for a in x_text] # 拆分
# x_text_list：[['i', 'love', 'you'], ['me', 'too'], ['i', 'me', 'too']]
word_set = set() # 获取所有的单词
for text in x_text_list:
    for word in text:
        word_set.add(word) 
# word_set：{'i', 'love', 'me', 'too', 'you'}
word_list = list(word_set) # 转换为list
word_index =  dict((word, word_list.index(word) + 1) for word in word_list) # 获取序号与单词的映射
# word_index：{'me': 1, 'love': 2, 'too': 3, 'you': 4, 'i': 5}
x_index_list = []
for text in x_text_list:
    x_index_list.append([word_index.get(word, 0) for word in text]) 
# x_index_list：[[5, 2, 4], [1, 3], [5, 1, 3]]
result = tf.keras.preprocessing.sequence.pad_sequences(x_index_list).tolist() # 统一长度
print(result)
# [[5, 2, 4], [0, 1, 3], [5, 1, 3]]

最终
i love you -> [5,2,4]
me to -> [0,1,3]
i me to -> [5,1,3]

一般情况下，在深度学习模型的搭建过程中还将搭配嵌入层Embedding作为后续处理