Python實現(xiàn)文本特征提取的方法詳解
1.字典文本特征提取 DictVectorizer()
1.1 one-hot編碼
創(chuàng)建一個字典,觀察如下數(shù)據(jù)形式的變化:
import pandas as pd from sklearn.feature_extraction import DictVectorizer data = [{'city': '洛陽', 'temperature': 39}, {'city': '成都', 'temperature': 41}, {'city': '寧波', 'temperature': 42}, {'city': '佛山', 'temperature': 38}] df1 = pd.DataFrame(data) print(df1) # one-hot編碼 因為temperature是數(shù)值型的,所以會保留原始值,只有字符串類型的才會生成虛擬變量 df2 = pd.get_dummies(df1) print(df2)
輸出如下:
1.2 字典數(shù)據(jù)轉(zhuǎn)sparse矩陣
使用DictVectorizer()創(chuàng)建字典特征提取模型
# 1.創(chuàng)建對象 默認(rèn)sparse=True 返回的是sparse矩陣; sparse=False 返回的是ndarray矩陣 transfer = DictVectorizer() # 2.轉(zhuǎn)化數(shù)據(jù)并訓(xùn)練 trans_data = transfer.fit_transform(data) print(transfer.get_feature_names_out()) print(trans_data)
使用sparse矩陣沒有顯示0數(shù)據(jù),節(jié)約了內(nèi)存,更為簡潔,這一點比ndarray矩陣更好。
2.英文文本特征提取
文本特征提取使用的是CountVectorizer文本特征提取模型,這里準(zhǔn)備了一段英文文本(I have a dream)。統(tǒng)計詞頻并得到sparse矩陣,代碼如下所示:
CountVectorizer()沒有sparse參數(shù),默認(rèn)采用sparse矩陣格式。且可以通過stop_words指定停用詞。
from sklearn.feature_extraction.text import CountVectorizer data = ["I have a dream that one day this nation will rise up and live out the true meaning of its creed", "We hold these truths to be self-evident, that all men are created equal", "I have a dream that one day on the red hills of Georgia, " "the sons of former slaves and the sons of former slave owners will be able to sit down together at the table of brotherhood", "I have a dream that one day even the state of Mississippi", " a state sweltering with the heat of injustice", "sweltering with the heat of oppression", "will be transformed into an oasis of freedom and justice", "I have a dream that my four little children will one day live in a nation where they will not be judged by the color of their skin but by the content of their character", "I have a dream today"] # CountVectorizer文本特征提取模型 # 1.實例化 將"is"標(biāo)記為停用詞 c_transfer = CountVectorizer(stop_words=["is"]) # 2.調(diào)用fit_transform c_trans_data = c_transfer.fit_transform(data) # 打印特征名稱 print(c_transfer.get_feature_names_out()) # 打印sparse矩陣 print(c_trans_data)
輸出結(jié)果如下圖所示:
3.中文文本特征提取
準(zhǔn)備一段中文文本(data.txt),以水滸傳中風(fēng)雪山神廟情節(jié)為例:
大雪下的正緊,林沖和差撥兩個在路上又沒買酒吃處。早來到草料場外,看時,一周遭有些黃土墻,兩扇大門。推開看里面時,七八間草房做著倉廒,四下里都是馬草堆,中間兩座草廳。到那廳里,只見那老軍在里面向火。差撥說道:“管營差這個林沖來替你回天王堂看守,你可即便交割?!崩宪娔昧髓€匙,引著林沖,分付道:“倉廒內(nèi)自有官司封記,這幾堆草一堆堆都有數(shù)目。”老軍都點見了堆數(shù),又引林沖到草廳上。老軍收拾行李,臨了說道:“火盆、鍋子、碗碟,都借與你?!绷譀_道:“天王堂內(nèi)我也有在那里,你要便拿了去?!崩宪娭副谏蠏煲粋€大葫蘆,說道:“你若買酒吃時,只出草場,投東大路去三二里,便有市井?!崩宪娮院筒顡芑貭I里來。 只說林沖就床上放了包裹被臥,就坐下生些焰火起來。屋邊有一堆柴炭,拿幾塊來生在地爐里。仰面看那草屋時,四下里崩壞了,又被朔風(fēng)吹撼,搖振得動。林沖道:“這屋如何過得一冬?待雪晴了,去城中喚個泥水匠來修理。”向了一回火,覺得身上寒冷,尋思:“卻才老軍所說五里路外有那市井,何不去沽些酒來吃?”便去包里取些碎銀子,把花槍挑了酒葫蘆,將火炭蓋了,取氈笠子戴上,拿了鑰匙,出來把草廳門拽上。出到大門首,把兩扇草場門反拽上,鎖了。帶了鑰匙,信步投東。雪地里踏著碎瓊亂玉,迤邐背著北風(fēng)而行。那雪正下得緊。 行不上半里多路,看見一所古廟。林沖頂禮道:“神明庇佑,改日來燒錢紙。”又行了一回,望見一簇人家。林沖住腳看時,見籬笆中挑著一個草帚兒在露天里。林沖徑到店里,主人道:“客人那里來?”林沖道:“你認(rèn)得這個葫蘆么?”主人看了道:“這葫蘆是草料場老軍的?!绷譀_道:“如何便認(rèn)的?”店主道:“既是草料場看守大哥,且請少坐。天氣寒冷,且酌三杯權(quán)當(dāng)接風(fēng)?!钡昙仪幸槐P熟牛肉,燙一壺?zé)峋?,請林沖吃。又自買了些牛肉,又吃了數(shù)杯。就又買了一葫蘆酒,包了那兩塊牛肉,留下碎銀子,把花槍挑了酒葫蘆,懷內(nèi)揣了牛肉,叫聲相擾,便出籬笆門,依舊迎著朔風(fēng)回來??茨茄?,到晚越下的緊了。古時有個書生,做了一個詞,單題那貧苦的恨雪: 廣莫嚴(yán)風(fēng)刮地,這雪兒下的正好。扯絮挦綿,裁幾片大如栲栳。見林間竹屋茅茨,爭些兒被他壓倒。富室豪家,卻言道壓瘴猶嫌少。向的是獸炭紅爐,穿的是綿衣絮襖。手捻梅花,唱道國家祥瑞,不念貧民些小。高臥有幽人,吟詠多詩草。
對中文提取文本特征,需要安裝并使用到j(luò)ieba庫。使用該庫將文本處理成為空格連接詞語的格式,再使用CountVectorizer文本特征提取模型進行提取即可。
代碼示例如下:
import jieba from sklearn.feature_extraction.text import CountVectorizer # 將文本轉(zhuǎn)為以空格相連的字符串 def cut_word(sent): return " ".join(list(jieba.cut(sent))) # 將文本以行為單位,去除空格,并置于列表中。格式形如:["第一行","第二行",..."n"] with open("./論文.txt", "r") as f: data = [line.replace("\n", "") for line in f.readlines()] lis = [] # 將每一行的詞匯以空格連接 for temp in data: lis.append(cut_word(temp)) transfer = CountVectorizer() trans_data = transfer.fit_transform(lis) print(transfer.get_feature_names()) # 輸出sparse數(shù)組 print(trans_data) # 轉(zhuǎn)為ndarray數(shù)組(如果需要) print(trans_data.toarray())
程序執(zhí)行效果如下:
轉(zhuǎn)換得到的ndarray數(shù)組形式(如果需要)如圖所示:
4. TF-IDF 文本特征提取 TfidfVectorizer()
TF-IDF文本提取器可以用來評估一字詞對于一個文件集或者一個語料庫中的其中一份文件的重要程度。
代碼展示如下:
from sklearn.feature_extraction.text import TfidfVectorizer import jieba def cut_word(sent): return " ".join(list(jieba.cut(sent))) with open("data.txt", "r") as f: data = [line.replace("\n", "") for line in f.readlines()] lis = [] for temp in data: # print(cut_word(temp)) lis.append(cut_word(temp)) transfer = TfidfVectorizer() print(transfer.get_feature_names()) print(trans_data)
程序執(zhí)行結(jié)果如下:
到此這篇關(guān)于Python實現(xiàn)文本特征提取的方法詳解的文章就介紹到這了,更多相關(guān)Python文本特征提取內(nèi)容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家!
相關(guān)文章
conda虛擬環(huán)境下使用pyinstaller打包程序為exe文件全過程
pyinstaller是一個支持跨平臺使用的第三方庫,它可以將腳本執(zhí)行所需的模塊和庫,自動分析、收集并生成一個文件夾或者可執(zhí)行文件,這篇文章主要給大家介紹了關(guān)于conda虛擬環(huán)境下使用pyinstaller打包程序為exe文件的相關(guān)資料,需要的朋友可以參考下2023-12-12通過?for?循環(huán)比較?Python?與?Ruby?的編程區(qū)別
這篇文章主要介紹了通過?for?循環(huán)比較?Python?與?Ruby?的編程區(qū)別,Ruby?與?Python?之間的差異在很大程度上可通過for循環(huán)看出本質(zhì),下文詳細(xì)介紹需要的小伙伴可以參考一下2022-05-05python實現(xiàn)企業(yè)微信定時發(fā)送文本消息的示例代碼
這篇文章主要介紹了python實現(xiàn)企業(yè)微信定時發(fā)送文本消息的示例代碼,文中通過示例代碼介紹的非常詳細(xì),對大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價值,需要的朋友們下面隨著小編來一起學(xué)習(xí)學(xué)習(xí)吧2020-11-11PyTorch?之?強大的?hub?模塊和搭建神經(jīng)網(wǎng)絡(luò)進行氣溫預(yù)測
hub 模塊是調(diào)用別人訓(xùn)練好的網(wǎng)絡(luò)架構(gòu)以及訓(xùn)練好的權(quán)重參數(shù),使得自己的一行代碼就可以解決問題,方便大家進行調(diào)用,這篇文章主要介紹了PyTorch?之?強大的?hub?模塊和搭建神經(jīng)網(wǎng)絡(luò)進行氣溫預(yù)測,需要的朋友可以參考下2023-03-03Python/Django后端使用PIL Image生成頭像縮略圖
這篇文章主要為大家詳細(xì)介紹了Python/Django后端使用PIL Image生成頭像縮略圖,具有一定的參考價值,感興趣的小伙伴們可以參考一下2019-04-04python數(shù)據(jù)挖掘Apriori算法實現(xiàn)關(guān)聯(lián)分析
這篇文章主要為大家介紹了python數(shù)據(jù)挖掘Apriori算法實現(xiàn)關(guān)聯(lián)分析,有需要的朋友可以借鑒參考下,希望能夠有所幫助,祝大家多多進步,早日升職加薪2022-05-05一文詳解Python如何優(yōu)雅地對數(shù)據(jù)進行分組
這篇文章主要和大家詳細(xì)介紹一下Python是如何優(yōu)雅地對數(shù)據(jù)進行分組的,文中通過示例進行了詳細(xì)的講解,感興趣的小伙伴可以跟隨小編一起學(xué)習(xí)一下2022-07-07