Tfidfvectorizer - 如何查看已处理的令牌？答案

【问题标题】：Tfidfvectorizer - How can I check out processed tokens?Tfidfvectorizer - 如何查看已处理的令牌？
【发布时间】：2019-08-16 13:12:23
【问题描述】：

如何检查TfidfVertorizer() 中标记的字符串？如果我没有在参数中传递任何内容，TfidfVertorizer() 将使用一些预定义的方法标记字符串。我想观察它是如何标记字符串的，以便我可以更轻松地调整我的模型。

from sklearn.feature_extraction.text import TfidfVectorizer
corpus = ['This is the first document.',
          'This document is the second document.',
          'And this is the third one.',
          'Is this the first document?']
vectorizer = TfidfVectorizer()
X = vectorizer.fit_transform(corpus)

我想要这样的东西：

>>>vectorizer.get_processed_tokens()
[['this', 'is', 'first', 'document'],
 ['this', 'document', 'is', 'second', 'document'],
 ['this', 'is', 'the', 'third', 'one'],
 ['is', 'this', 'the', 'first', 'document']]

我该怎么做？

【问题讨论】：

标签： python scikit-learn nlp tf-idf tfidfvectorizer

【解决方案1】：

build_tokenizer() 正好可以达到这个目的。

试试这个！

tokenizer = lambda docs: [vectorizer.build_tokenizer()(doc) for doc in docs]

tokenizer(corpus)

输出：

[['This', 'is', 'the', 'first', 'document'],
 ['This', 'document', 'is', 'the', 'second', 'document'],
 ['And', 'this', 'is', 'the', 'third', 'one'],
 ['Is', 'this', 'the', 'first', 'document']]

一个班轮解决方案是

list(map(vectorizer.build_tokenizer(),corpus))

【讨论】：

【解决方案2】：

我不确定是否有内置的 sklearn 函数来获取该格式的输出，但我很确定合适的 TfidfVectorizer 实例具有vocabulary_ 属性，该属性返回术语到特征索引的映射字典。阅读更多here.

将其与get_feature_names 方法的输出结合起来应该可以为您完成此操作。希望对您有所帮助。

【讨论】：

【解决方案3】：

这可能在语法上不正确（在内存中执行此操作），但它的总体思路：

Y = X.to_array()
Vocab = vectorizer.get_feature_names()
fake_corpus = []
for doc in Y:
    l = [Vocab[word_index] for word_index in doc]
    fake_corpus.append(l)

使用 Y 可以获得语料库中每个文档的单词索引，使用 vocab 可以获得给定索引对应的单词，因此您基本上只需将它们组合起来即可。

【讨论】：