以下内容,皆为本人原创,制作不易,首先感谢各位阅读。
第一关:机器学习概念和流程 | http://t.csdnimg.cn/IuHh4 |
第二关:数据集的使用 | http://t.csdnimg.cn/2jsdi |
第三关:特征工程-字典特征提取 | http://t.csdnimg.cn/ZpMto |
一.文本特征提取
紧接上章节,这章节我们说如何将文本数据转为二维数组。方法如下:
作用:对文本数据进行特征值化
sklearn.feature_extraction.text.CountVectorizer(stop_words=[]) 返回词频矩阵
CountVectorizer.fit_transform(X) X:文本或者包含文本字符串的可迭代对象
返回值:返回sparse矩阵
CountVectorizer.inverse_transform(X) X:array数组或者sparse矩阵返回值:转换之前数据格
CountVectorizer.get_feature_names() 返回值:单词列表
可能直接列出方法,有点困难,直接看代码和运行结果。
from sklearn.feature_extraction.text import CountVectorizer
def count_demo():
# 文本数据
data = ['life is short, i want to study python',
'life is long, i dislike c++']
# 文本特征提取CountVectorizer
# 实例化一个转换器类
transfer = CountVectorizer()
# 调用fit_transform
data_new = transfer.fit_transform(data)
print("data_new\n", data_new)
if __name__ == '__main__':
count_demo()
我们可以看到这个data转换后的特征值不是特征数组,那我可以加一个toarray()方法。
观察第一个print里面,加了toarray()方法,就可以返回二维数组
from sklearn.feature_extraction.text import CountVectorizer
def count_demo():
# 文本数据
data = ['life is short, i want to study python',
'life is long, i dislike c++']
# 文本特征提取CountVectorizer统计每个样本特征词出现的个数
# 实例化一个转换器类
transfer = CountVectorizer()
# 调用fit_transform
data_new = transfer.fit_transform(data)
print("data_new\n", data_new.toarray())
print("feature_names\n", transfer.get_feature_names_out())
if __name__ == '__main__':
count_demo()
总结:
可以看到返回的二维数组中,是一些单词,也就是特征值。那里面的0和1是什么意思呢?
CountVectorizer统计每个样本特征值出现的个数。我们可以看到二维列表,它里面的元素是一维列表。一维列表里面的元素跟特征值的数量都是一样的,都是9个。这个0和1表示的是对应的。0代表这一组列表里没有这个单词,1则代表有一个。比如说dislike不在我们data的第一句话里,所以返回的二维列表里第一个元素就是0,代表第一句话没有这个词。
二维列表里面的数字,是特征值出现的次数。
二.中文数据特征提取
有了上面的基础,那我们直接看代码和运行结果,变化的地方就是数据变成中文了。
from sklearn.feature_extraction.text import CountVectorizer
def count_chinese_demo():
#中文文本数据
data = ['我喜欢你', '你喜欢我吗']
# 实例化转换器类
transfer = CountVectorizer()
data_new = transfer.fit_transform(data)
print("data_new\n", data_new)
print("feature_name\n", transfer.get_feature_names_out())
if __name__ == "__main__":
count_chinese_demo()
内心感想:
特征值为什么是一句话呢, 像我们之前的英文句子(是由一个个英语单词组成,并且单词之间有空格),所以很轻易的提取。而我们的中文都是在一起的。所以就把整个句子当做特征值了。
将中文句子中间加几个空格就可以了。将数据换成这个。
data = ['我 喜欢 你', '你 喜欢 我吗']
OK,这次特征值,就发生了变化。
感谢大家的观看,今天的分享就到这里。