为分类分解文本特征答案

【问题标题】：Factorizing text features for classification为分类分解文本特征
【发布时间】：2019-07-25 21:38:33
【问题描述】：

我有一个数据框，df 由文本和数字特征组成，类似于下图所示。

Feature 1     Feature 2         Feature 3           Feature 4         Label
 10            20                keyword             Human             1
  2             3                Keywords            Dog               0
  8             2                Stackoverflow       cat               0

目前我使用factorize函数将文本特征转换为数字特征，然后使用新的数据框进行分类。

df[' Feature 3'] = df[' Feature 3'].factorize()[0]
df[' Feature 4'] = df[' Feature 4'].factorize()[0]

运行上述代码后，我的数据框如下所示

 Feature 1     Feature 2         Feature 3           Feature 4         Label
 10            20                0                    0                 1
  2             3                1                    1                 0
  8             2                2                    2                 0

factorize 函数将 'keywords' 和 'keyword' 读取为不同的单词，那么是否有任何函数可以将类似于 'keywords' 和 'keyword' 的单词读取为相同的单词？

输出数据框实际上应该是这样的

 Feature 1     Feature 2         Feature 3           Feature 4         Label
 10            20                0                    0                 1
  2             3                0                    1                 0
  8             2                1                    2                 0

【问题讨论】：

标签： python text-classification

【解决方案1】：

你可能想看看词干分析器。

NLTK 举例说明如何使用它们here，但简而言之，词干分析器会将单词缩减为词干，例如...

from nltk.stem.porter import *

stemmer = PorterStemmer()

words = ['jog', 'jogging', 'jogged']

[stemmer.stem(word) for word in words]

返回：

['jog', 'jog', 'jog']

或为你

words = ['keyword', 'keywords']

[stemmer.stem(word) for word in words]

返回：

['keyword', 'keyword']

编辑：

我应该指出，这些词不需要相似才能起作用：

words = ['drinking', 'running', 'walking', 'walked']

输出：

['drink', 'run', 'walk', 'walk']

【讨论】：