来自 CountVectorizer 的术语相对频率矩阵
Posted
技术标签:
【中文标题】来自 CountVectorizer 的术语相对频率矩阵【英文标题】:Term relative frequency matrix from CountVectorizer 【发布时间】:2021-09-04 03:20:55 【问题描述】:有没有办法从绝对频率矩阵开始获取相对频率矩阵(使用CountVectorizer方法获得)?这是使用的代码:
body = [
'the quick brown fox',
'the slow brown dog',
'the quick red dog',
'the lazy yellow fox'
]
from sklearn.feature_extraction.text import CountVectorizer
vectorizer = CountVectorizer(stop_words='english')
bag_of_words = vectorizer.fit_transform(body)
from sklearn.decomposition import TruncatedSVD
svd = TruncatedSVD(n_components=2)
lsa = svd.fit_transform(bag_of_words)
我的目标是使用函数fit_transform()
(在我的代码的最后一行)不是绝对频率矩阵,而是相对频率矩阵。特别是,我想找到一种方法将矩阵bag_of_words
的每一行除以行本身的总和。这对我来说不是即时的,因为矩阵是稀疏的。
任何意见或建议表示赞赏。谢谢。
【问题讨论】:
【参考方案1】:这可以使用TfidfVectorizer
而不是CountVectorizer
来完成。但是,这需要更改以下默认参数:
实际上,它看起来像这样:
from sklearn.feature_extraction.text import TfidfVectorizer
body = [
'the quick brown fox',
'the slow brown dog',
'the quick red dog',
'the lazy yellow fox'
]
vectorizer = TfidfVectorizer(use_idf=False, norm="l1")
X = vectorizer.fit_transform(body)
print(vectorizer.get_feature_names())
这将返回:
array([[0.25, 0. , 0.25, 0. , 0.25, 0. , 0. , 0.25, 0. ],
[0.25, 0.25, 0. , 0. , 0. , 0. , 0.25, 0.25, 0. ],
[0. , 0.25, 0. , 0. , 0.25, 0.25, 0. , 0.25, 0. ],
[0. , 0. , 0.25, 0.25, 0. , 0. , 0. , 0.25, 0.25]])
['brown', 'dog', 'fox', 'lazy', 'quick', 'red', 'slow', 'the', 'yellow']
【讨论】:
以上是关于来自 CountVectorizer 的术语相对频率矩阵的主要内容,如果未能解决你的问题,请参考以下文章
从 CountVectorizer 按类别提取 n 个最高频率
根据文本语料库中的出现列出词汇表中的单词,使用 Scikit-Learn CountVectorizer
自定义词汇表上的 Sklearn Countvectorizer