sklearn中的TfidfVectorizer如何专门包含单词

Question

我对@9​​87654321@ 有一些疑问。

我不清楚这些词是如何选择的。我们可以提供最低限度的支持，但在那之后，将决定选择哪些功能（例如，更高的支持更多的机会）？如果我们说max_features = 10000，我们总是一样吗？如果我们说max_features = 12000，我们是否会获得相同的10000 功能，但额外添加了2000？

另外，有没有办法扩展max_features=20000 功能？我把它放在一些文本上，但我知道一些肯定应该包含的单词，还有一些表情符号“:-)”等。如何将这些添加到 TfidfVectorizer 对象，以便可以使用对象，将其用于fit 和predict

to_include = [":-)", ":-P"]
method = TfidfVectorizer(max_features=20000, ngram_range=(1, 3),
                      # I know stopwords, but how about include words?
                      stop_words=test.stoplist[:100], 
                      # include words ??
                      analyzer='word',
                      min_df=5)
method.fit(traindata)

寻求的结果：

X = method.transform(traindata)
X
<Nx20002 sparse matrix of type '<class 'numpy.int64'>'
 with 1135520 stored elements in Compressed Sparse Row format>], 
 where N is sample size

Answer 1

您在问几个不同的问题。让我分别回答：

“我不清楚这些词是如何选择的。”

来自documentation：

max_features : optional, None by default
    If not None, build a vocabulary that only consider the top
    max_features ordered by term frequency across the corpus.

所有特征（在你的例子中是一元、二元和三元）在整个语料库中按频率排序，然后选择顶部的10000。不常见的词被扔掉了。

“如果我们说 max_features = 10000，我们是否总是得到相同的结果？如果我们说 max_features = 12000，我们会得到相同的 10000 个特征，但额外增加了 2000 个特征吗？”

是的。该过程是确定性的：对于给定的语料库和给定的max_features，您将始终获得相同的特征。

我把它放在一些文本上，但我知道一些词肯定应该包括在内，[...]如何将这些添加到 TfidfVectorizer 对象？

您使用vocabulary 参数来指定应该使用哪些功能。例如，如果您只想提取表情符号，您可以执行以下操作：

emoticons = {":)":0, ":P":1, ":(":2}
vect = TfidfVectorizer(vocabulary=emoticons)
matrix = vect.fit_transform(traindata)

这将返回一个<Nx3 sparse matrix of type '<class 'numpy.int64'>' with M stored elements in Compressed Sparse Row format>]。请注意，只有 3 列，每个功能一个。

如果您希望词汇表包含表情符号以及N最常见的特征，您可以先计算最常见的特征，然后将它们与表情符号合并并重新矢量化所以：

# calculate the most frequent features first
vect = TfidfVectorizer(vocabulary=emoticons, max_features=10)
matrix = vect.fit_transform(traindata)
top_features = vect.vocabulary_
n = len(top_features)

# insert the emoticons into the vocabulary of common features
emoticons = {":)":0, ":P":1, ":(":2)}
for feature, index in emoticons.items():
    top_features[feature] = n + index

# re-vectorize using both sets of features
# at this point len(top_features) == 13
vect = TfidfVectorizer(vocabulary=top_features)
matrix = vect.fit_transform(traindata)