文本特征提取

英文文本特征提取

方法步骤:

1、导入相关API
from sklearn.feature_extraction.text import CountVectorizer
2、实例化CountVectorizer
text=CountVectorizer()
3、调用fit_transform()方法进行特征提取
results=text.fit_transform(data)  

主要代码:

def text_demo():
    data=["I am going to school","What do you want to do"]
    #实例化CountVectorizer
    text=CountVectorizer()
    #调用fit_transform()方法
    results=text.fit_transform(data)
    print("特征值:\n",text.get_feature_names())
    print("特征值提取结果:\n",results.toarray())       #results.toarray()将稀疏矩阵转换为二维数组的形式

运行结果:

img

中文文本特征提取

中文文本特征提取步骤与英文类似,主要区别在于中文文本特征提取需要进行分词处理,否则就会出现如下结果,将一句话作为一个词处理:

一、 中文分词(使用jieba):

1、导入jieba

import jieba

2、将目标进行分词处理

jieba.cut(text)

3、将分词处理结果转化为列表形式

list(jieba.cut(text))

4、将列表转化为字符串形式

" ".join(list(jieba.cut(text)))

主要代码:

def cut_text(text):
    result=" ".join(list(jieba.cut(text)))
    # print(result)
    return result
二、中文文本特征提取

1、定义一个空数组,并利用该空数组接收中文分词后的结果

data_cut=[]         #定义一个空数组
for i in data:
    data_cut.append(cut_text(i))        #利用空数组接收分词后的结果

2、实例化CountVectorizer

CountVectorizer()

3、调用fit_transform()方法

text.fit_transform(data_cut)

主要代码:

def chinese_text_demo():
    data=["我们也可以将数据存储在文件中","但是在文件中读写数据速度相对较慢","优秀的文件很优秀"]
    data_cut=[]         #定义一个空数组
    for i in data:
        data_cut.append(cut_text(i))        #利用空数组接收分词后的结果
    #实例化CountVectorizer
    text=CountVectorizer()
    #调用fit_transform()方法
    results=text.fit_transform(data_cut)
    print("特征值:\n",text.get_feature_names())
    print("特征值提取结果:\n",results.toarray())

运行结果:
img

  • 10
    点赞
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
Python文本特征提取是指利用Python编程语言从文本数据中提取特征的过程。在自然语言处理(NLP)和文本挖掘等领域中,对文本进行特征提取可以将文本数据转化为可用于机器学习和统计分析的数字或向量表示。 Python提供了丰富的库和工具,可以用于文本特征提取。常见的特征提取方法包括词袋模型(Bag of Words)、TF-IDF、词频(Term Frequency)、逆文档频率(Inverse Document Frequency)等。 词袋模型是最常用的文本特征提取方法之一。它将文本数据表示为一个词汇表,并统计每个词汇的出现频率作为特征。Python的scikit-learn库提供了CountVectorizer类来实现词袋模型的特征提取。 TF-IDF是一种常用的用于衡量词语在文本文档和语料库中重要性的方法。通过计算词在文档中的频率和在整个语料库中的逆文档频率,得到每个词的TF-IDF值作为特征。scikit-learn库提供了TfidfVectorizer类用于实现TF-IDF特征提取。 词频和逆文档频率是构成TF-IDF方法的两个组成部分。词频衡量了词语在文档中的频率,逆文档频率衡量了词语在整个语料库中的重要性。使用Python的scikit-learn库可以计算并提取词频和逆文档频率作为文本特征。 除了以上常见的文本特征提取方法外,Python还可以使用正则表达式、n-gram模型、Word2Vec等方法进行文本特征提取。 总而言之,Python提供了丰富的库和工具,可以方便地进行文本特征提取。通过选择合适的特征提取方法,可以将文本数据转化为数字或向量表示,为后续的机器学习和统计分析任务奠定基础。

“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
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