将句子映射到 sklearn 中的词汇表

Posted 2023-03-12

【中文标题】将句子映射到 sklearn 中的词汇表

【英文标题】：Map a sentence to its vocabulary in sklearn

【发布时间】：2019-08-06 13:07:36

【问题描述】：

我正在使用CountVectorizer 来获取字符串列表中的单词列表

from sklearn.feature_extraction.text import CountVectorizer
raw_text = [
    'The dog hates the black cat',
    'The black dog is good'
]
raw_text = [x.lower() for x in raw_text]
vocabulary = vectorizer.vocabulary_ 
vocabulary = dict((v, k) for k, v in vocabulary.iteritems())
vocabulary

在词汇表中，我有以下数据，这些数据是正确的

0: u'black', 1: u'cat', 2: u'dog', 3: u'good', 4: u'hates', 5: u'is', 6: u'the'

我现在想要获得的是“映射”到这些新值的原始句子，例如：

expected_output = [
    [6, 2, 4, 6, 0, 1],
    [6, 0, 2, 5, 3]
]

我尝试探索 Sklearn 文档，但我真的找不到任何似乎可以做到这一点的东西，而且我什至不知道我正在尝试执行的操作的正确术语，所以我在 Google 中找不到任何结果。

有没有办法达到这个效果？

【参考方案1】：

我认为您可以只适合文本来构建词汇表，然后使用词汇表使用build_analyzer() 创建所需的映射

from sklearn.feature_extraction.text import CountVectorizer
raw_text = [
    'The dog hates the black cat',
    'The black dog is good'
]
vectorizer = CountVectorizer()
vectorizer.fit(raw_text)

analyzer = vectorizer.build_analyzer()
[[vectorizer.vocabulary_[i]  for i in analyzer(doc)]  for doc in raw_text]

输出：

[[6, 2, 4, 6, 0, 1], [6, 0, 2, 5, 3]]

【参考方案2】：

像这样查找每个单词：

from sklearn.feature_extraction.text import CountVectorizer
raw_text = [
    'The dog hates the black cat',
    'The black dog is good'
]

cv = CountVectorizer()
cv.fit_transform(raw_text)


vocab = cv.vocabulary_.copy()

def lookup_key(string):
    s = string.lower()
    return [vocab[w] for w in s.split()]

list(map(lookup_key, raw_text))

输出：

[[6, 2, 4, 6, 0, 1], [6, 0, 2, 5, 3]]

【讨论】：

与此处另一个答案中的解决方案相比，此解决方案对于大量文本通常应该具有更好的运行时间。

.split() 不考虑停用词或其他前置词，在构建词汇表时可能会使用 countVectorizer

@AI_Learning 好点。也许对任何被删除的停用词使用 -1 对 OP 的用例来说就足够了。

【参考方案3】：

您可以尝试以下方法吗：

mydict = 0: u'black', 1: u'cat', 2: u'dog',
          3: u'good', 4: u'hates', 5: u'is', 6: u'the'


def get_val_key(val):
    return list(mydict.keys())[list(mydict.values()).index(val.lower())]


raw_text = [
    'The dog hates the black cat',
    'The black dog is good'
]
expected_output = [list(map(get_val_key, text.split())) for text in raw_text]
print(expected_output)

输出：

[[6, 2, 4, 6, 0, 1], [6, 0, 2, 5, 3]]

【讨论】：

有效，但由于使用了值列表，因此具有二次时间复杂度。此处的另一个答案通过反转字典提供了更好的典型运行时间。