sklearn:CountVectorizer、TfidfTransformer与TfidfVectorizer
CountVectorize
CountVectorizer:特征数值计算类,文本特征提取方法。
对于每一个训练文本,CountVectorizer会将文本中的词语转换为词频矩阵,它通过fit_transform函数计算各个词语在该训练文本出现的次数。
CountVectorize的使用
调用
from sklearn.feature_extraction.text import CountVectorizer#调用
词频矩阵
cv = CountVectorizer() #构建词袋数据结构
cv_fit=cv.fit_transform(corpus)#得corpus词频矩阵
#上述两行等价于下面两行
#cv.fit(texts)
#cv_fit=cv.transform(texts)
样式
print(cv.get_feature_names())#分词列表
print(cv.vocabulary_) #分词字典
print(cv_fit)#词频矩阵
print(cv_fit.toarray())#词频稀疏矩阵
print(cv_fit.toarray().sum(axis=0)) #词频列表
过滤
CountVectorizer(token_pattern=r"(?u)\b\w\w+\b", max_df=1.0, min_df=1,
vocabulary=None, binary=False, dtype=<class 'numpy.int64'>)
token_pattern | 过滤规则 |
---|---|
max_df | max_df默认为1,可设置为0~1的小数(百分比)。词频大于max_df则被去除。 |
min_df | 词频小于min_df 则被去除。 |
vocabulary | 默认为None,vocabulary的词必须被保留 |
binary | 默认为False,词在文档出现n次,若binary=True,非零n置为1,这对需要布尔离散概率模型 |
dtype | dtype设置fit_transform()或transform()得到的矩阵的数值类型 |
token_pattern这个参数使用正则表达式来分词,其默认参数为r"(?u)\b\w\w+\b",其中两个\w决定其匹配长度至少为2的单词。要减到1个,即r"(?u)\b\w+\b"。