如何将 sklearn CountVectorizer 与“word”和“char”分析器一起使用？ - Python答案

【问题标题】：How do I use sklearn CountVectorizer with both 'word' and 'char' analyzer? - python如何将 sklearn CountVectorizer 与“word”和“char”分析器一起使用？ - Python
【发布时间】：2014-03-03 05:43:27
【问题描述】：

如何将 sklearn CountVectorizer 与 'word' 和 'char' 分析器一起使用？ http://scikit-learn.org/stable/modules/generated/sklearn.feature_extraction.text.CountVectorizer.html

我可以通过 word 或 char 分别提取文本特征，但如何创建 charword_vectorizer？有没有办法组合矢量化器？还是使用多个分析仪？

>>> from sklearn.feature_extraction.text import CountVectorizer
>>> word_vectorizer = CountVectorizer(analyzer='word', ngram_range=(1, 2), min_df=1)
>>> char_vectorizer = CountVectorizer(analyzer='char', ngram_range=(1, 2), min_df=1)
>>> x = ['this is a foo bar', 'you are a foo bar black sheep']
>>> word_vectorizer.fit_transform(x)
<2x15 sparse matrix of type '<type 'numpy.int64'>'
    with 18 stored elements in Compressed Sparse Column format>
>>> char_vectorizer.fit_transform(x)
<2x47 sparse matrix of type '<type 'numpy.int64'>'
    with 64 stored elements in Compressed Sparse Column format>
>>> char_vectorizer.get_feature_names()
[u' ', u' a', u' b', u' f', u' i', u' s', u'a', u'a ', u'ac', u'ar', u'b', u'ba', u'bl', u'c', u'ck', u'e', u'e ', u'ee', u'ep', u'f', u'fo', u'h', u'he', u'hi', u'i', u'is', u'k', u'k ', u'l', u'la', u'o', u'o ', u'oo', u'ou', u'p', u'r', u'r ', u're', u's', u's ', u'sh', u't', u'th', u'u', u'u ', u'y', u'yo']
>>> word_vectorizer.get_feature_names()
[u'are', u'are foo', u'bar', u'bar black', u'black', u'black sheep', u'foo', u'foo bar', u'is', u'is foo', u'sheep', u'this', u'this is', u'you', u'you are']

【问题讨论】：

标签： python machine-learning scikit-learn analyzer text-analysis

【解决方案1】：

您可以将可调用对象作为analyzer 参数传递以完全控制标记化，例如

>>> from pprint import pprint
>>> import re
>>> x = ['this is a foo bar', 'you are a foo bar black sheep']
>>> def words_and_char_bigrams(text):
...     words = re.findall(r'\w{3,}', text)
...     for w in words:
...         yield w
...         for i in range(len(w) - 2):
...             yield w[i:i+2]
...             
>>> v = CountVectorizer(analyzer=words_and_char_bigrams)
>>> pprint(v.fit(x).vocabulary_)
{'ac': 0,
 'ar': 1,
 'are': 2,
 'ba': 3,
 'bar': 4,
 'bl': 5,
 'black': 6,
 'ee': 7,
 'fo': 8,
 'foo': 9,
 'he': 10,
 'hi': 11,
 'la': 12,
 'sh': 13,
 'sheep': 14,
 'th': 15,
 'this': 16,
 'yo': 17,
 'you': 18}

【讨论】：

请原谅这个菜鸟，r'\w{3,} 是什么意思？和[a-zA-Z0-9_]一样吗？
@alvas: \w 是 [a-zA-Z0-9_]; {3,} 表示“三个或更多”，因此它会跳过短标记。您可能想尝试使用不同的 RE 来捕获令牌；这是我的基线之一。

【解决方案2】：

您可以将任意特征提取步骤与 FeatureUnion 估计器相结合：http://scikit-learn.org/dev/modules/pipeline.html#featureunion-combining-feature-extractors

在这种情况下，这可能比 larsmans 解决方案效率低，但可能更易于使用。

【讨论】：