将 Sklearn TFIDF 与其他数据相结合

Posted 2023-03-12

【中文标题】将 Sklearn TFIDF 与其他数据相结合

【英文标题】：Combine Sklearn TFIDF with Additional Data

【发布时间】：2017-03-27 00:00:46

【问题描述】：

我正在尝试为监督学习准备数据。我有我的 Tfidf 数据，它是从我的数据框中名为“合并”的列生成的

vect = TfidfVectorizer(stop_words='english', use_idf=True, min_df=50, ngram_range=(1,2))
X = vect.fit_transform(merged['kws_name_desc'])
print X.shape
print type(X)

(57629, 11947)
<class 'scipy.sparse.csr.csr_matrix'>

但我还需要在这个矩阵中添加额外的列。对于 TFIDF 矩阵中的每个文档，我都有一个附加数字特征的列表。每个列表的长度为 40，它由浮点数组成。

为了澄清，我有 57,629 个长度为 40 的列表，我想将它们附加到我的 TDIDF 结果中。

目前，我在 DataFrame 中有这个，示例数据：merged["other_data"]。下面是来自合并的 ["other_data"]

的示例行

0.4329597715,0.3637511039,0.4893141843,0.35840...   

如何将我的数据框列的 57,629 行附加到 TF-IDF 矩阵？老实说，我不知道从哪里开始，并希望得到任何指示/指导。

【问题讨论】：

这能回答你的问题吗？ use Featureunion in scikit-learn to combine two pandas columns for tfidf

【参考方案1】：

这样就可以了。

`df1 = pd.DataFrame(X.toarray())   //Convert sparse matrix to array
 df2 = YOUR_DF of size 57k x 40

 newDf = pd.concat([df1, df2], axis = 1)`//newDf is the required dataframe

【参考方案2】：

我想通了：

首先：遍历我的 pandas 列并创建一个列表列表

for_np = []

for x in merged['other_data']:
    row = x.split(",")
    row2 = map(float, row)
    for_np.append(row2)

然后创建一个np数组：

n = np.array(for_np)

然后在 X 上使用 scipy.sparse.hstack（我的原始 tfidf 稀疏矩阵和我的新矩阵。如果它们不能改善分类结果，我可能最终会重新加权这些 40 维向量，但这种方法有效！

import scipy.sparse

X = scipy.sparse.hstack([X, n])

【讨论】：

我确信我环顾四周，忽略了尝试添加列时遗漏的内容。有人在另一个问题上说得很清楚，但它只是点击了上面的这一行。

oups 命中返回，hstack(X_train_tfidf,X_shp) 不起作用，但 hstack([X_train_tfidf,X_shp]) 起作用，区别在于 [ ]。

这真是一个有趣的问题和解决方案。如果您缩放额外的列或按原样使用它们，您能否补充一些想法？

@IU5er - 如果我没记错的话，我尝试了 tfidf 功能的各种权重，但它们并没有太大改善我的结果，所以我放弃了它们。我可能会附加一个 PCA 的降级版本的结果，但结果可能是相同的。我认为将 NLP 风格特征与更通用的特征相结合仍然是一个非常开放的问题/问题。在最近的一个问题中，我创建了二进制特征，基于训练观察是否包含一个单词，或者包含多个单词中的一个，从而避免了大量的新特征。

【参考方案3】：

你可以看看这个问题的答案：

use Featureunion in scikit-learn to combine two pandas columns for tfidf

显然，给出的答案应该有效，但是一旦您希望分类器进行预测，您肯定希望使用管道和特征联合。