使用数据框从 K-Means 集群中获取值

Question

我有这个数据框（text_df）：

有 10 位不同的作者，共有 13834 行文本。

然后我创建了一个词袋并像这样使用了 TfidfVectorizer：

from sklearn.feature_extraction.text import TfidfVectorizer

tfidf_v = TfidfVectorizer(max_df=0.5,
                          max_features=13000,
                          min_df=5,
                          stop_words='english',
                          use_idf=True,
                          norm=u'l2',
                          smooth_idf=True
                          )

X = tfidf_v.fit_transform(corpus).toarray() # corpus --> bagofwords
y = text_df.iloc[:,1].values

X 的形状是 (13834,2701)

我决定为 KMeans 使用 7 个集群：

from sklearn.cluster import KMeans
km = KMeans(n_clusters=7,random_state=42)

我想提取每个集群中文本的作者，以查看作者是否一致地分组到同一个集群中。不确定解决此问题的最佳方法。谢谢！

更新：

尝试使用嵌套字典来可视化每个集群的作者计数，如下所示：

author_cluster = {}
for i in range(len(y_kmeans)):
    # check 20 random predictions
    j = np.random.randint(0, 13833, 1)[0]

    if y_kmeans[j] not in author_cluster:
        author_cluster[y_kmeans[j]] = {}

        if y[j] not in author_cluster[y_kmeans[j]]:
            author_cluster[y_kmeans[j]][y[j]] = 1 
        else:
            author_cluster[y_kmeans[j]][y[j]] += 1

输出：

每个集群应该有更多的计数，并且每个集群可能不止一位作者。我想使用所有预测来获得更准确的计数，而不是使用子集。但对替代解决方案持开放态度。

Answer 1

from sklearn.feature_extraction.text import TfidfVectorizer
from sklearn.cluster import KMeans

tfidf_v = TfidfVectorizer(max_df=0.5,
                          max_features=13000,
                          min_df=5,
                          stop_words='english',
                          use_idf=True,
                          norm=u'l2',
                          smooth_idf=True
                          )

X = tfidf_v.fit_transform(corpus) # I removed .toarray() - not sure why it was there except maybe for print debugging?
y = text_df.iloc[:,1].values

km = KMeans(n_clusters=7,random_state=42)

model = km.fit(X)
result = model.predict(X)

for i in range(20):
    # check 20 random predictions
    container = np.random.randint(low=0, high=13833, size=1)
    j = container[0]
    print(f'Author {y[j]} wrote {X[j]} and was put in cluster {result[j]}')