函数说明:
1 CountVectorizer(ngram_range=(2, 2)) 进行字符串的前后组合,构造出新的词袋标签
参数说明:ngram_range=(2, 2) 表示选用2个词进行前后的组合,构成新的标签值
Ngram模型表示的是,对于词频而言,只考虑一个词,这里我们在CountVectorizer统计词频时,传入ngram_range=(2, 2)来构造新的词向量的组合
好比一句话'I like you'
如果ngram_range = (2, 2)表示只选取前后的两个词构造词组合 :词向量组合为:’I like‘ 和 ’like you‘
如果ngram_range = (1, 3) 表示选取1到3个词做为组合方式: 词向量组合为: 'I', 'like', 'you', 'I like', 'like you', 'I like you' 构成词频标签
代码:
第一步:构造Dataframe格式,并数组化数据
第二步:构造函数进行分词和去除停用词,并使用空格进行串接,为了分词做准备
第三步:np.vectorize 向量化函数,并调用函数进行分词和去除停用词
第四步:使用CountVectorizer(ngram_range(2, 2)) 进行文本的词向量拼接
import pandas as pd import numpy as np import re import nltk #pip install nltk corpus = ['The sky is blue and beautiful.', <