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:

您可以删除 tfidf 矢量化器的“idf”部分,只留下词频 默认情况下,计数按 L2 范数进行归一化,您在这里想要的(按所有计数的总和进行归一化)是 L1 范数

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

网络视频的术语对用户透明地分成许多块

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

我可以控制 CountVectorizer 在 scikit learn 中对语料库进行矢量化的方式吗?

从 HSV 中提取色度/相对色度