Python中的TfidfVectorizer参数解析

Posted 开拓者亮仔

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了Python中的TfidfVectorizer参数解析相关的知识,希望对你有一定的参考价值。

vectorizer = CountVectorizer() #构建一个计算词频(TF)的玩意儿,当然这里面不足是可以做这些

transformer = TfidfTransformer() #构建一个计算TF-IDF的玩意儿

tfidf = transformer.fit_transform(vectorizer.fit_transform(corpus))

#vectorizer.fit_transform(corpus)将文本corpus输入,得到词频矩阵

#将这个矩阵作为输入,用transformer.fit_transform(词频矩阵)得到TF-IDF权重矩阵


TfidfTransformer + CountVectorizer  =  TfidfVectorizer


值得注意的是,CountVectorizer()和TfidfVectorizer()里面都有一个成员叫做vocabulary_(后面带一个下划线)

这个成员的意义是词典索引,对应的是TF-IDF权重矩阵的列,只不过一个是私有成员,一个是外部输入,原则上应该保持一致。


vectorizer = TfidfVectorizer(stop_words=stpwrdlst, sublinear_tf = True, max_df = 0.5)


关于参数:

input:string{‘filename‘, ‘file‘, ‘content‘}

    如果是‘filename‘,序列作为参数传递给拟合器,预计为文件名列表,这需要读取原始内容进行分析

    如果是‘file‘,序列项目必须有一个”read“的方法(类似文件的对象),被调用作为获取内存中的字节数

    否则,输入预计为序列串,或字节数据项都预计可直接进行分析。

encoding:string, ‘utf-8’by default

    如果给出要解析的字节或文件,此编码将用于解码

decode_error: {‘strict‘, ‘ignore‘, ‘replace‘}

    如果一个给出的字节序列包含的字符不是给定的编码,指示应该如何去做。默认情况下,它是‘strict‘,这意味着的UnicodeDecodeError将提高,其他值是‘ignore‘和‘replace‘

strip_accents: {‘ascii‘, ‘unicode‘, None}

    在预处理步骤中去除编码规则(accents),”ASCII码“是一种快速的方法,仅适用于有一个直接的ASCII字符映射,"unicode"是一个稍慢一些的方法,None(默认)什么都不做

analyzer:string,{‘word‘, ‘char‘} or callable

    定义特征为词(word)或n-gram字符,如果传递给它的调用被用于抽取未处理输入源文件的特征序列

preprocessor:callable or None(default)

    当保留令牌和”n-gram“生成步骤时,覆盖预处理(字符串变换)的阶段

tokenizer:callable or None(default)

    当保留预处理和n-gram生成步骤时,覆盖字符串令牌步骤

ngram_range: tuple(min_n, max_n)

    要提取的n-gram的n-values的下限和上限范围,在min_n <= n <= max_n区间的n的全部值

stop_words:string {‘english‘}, list, or None(default)

    如果未english,用于英语内建的停用词列表

    如果未list,该列表被假定为包含停用词,列表中的所有词都将从令牌中删除

    如果None,不使用停用词。max_df可以被设置为范围[0.7, 1.0)的值,基于内部预料词频来自动检测和过滤停用词

lowercase:boolean, default True

    在令牌标记前转换所有的字符为小写

token_pattern:string

    正则表达式显示了”token“的构成,仅当analyzer == ‘word’时才被使用。两个或多个字母数字字符的正则表达式(标点符号完全被忽略,始终被视为一个标记分隔符)。

max_df: float in range [0.0, 1.0] or int, optional, 1.0 by default

    当构建词汇表时,严格忽略高于给出阈值的文档频率的词条,语料指定的停用词。如果是浮点值,该参数代表文档的比例,整型绝对计数值,如果词汇表不为None,此参数被忽略。

min_df:float in range [0.0, 1.0] or int, optional, 1.0 by default

当构建词汇表时,严格忽略低于给出阈值的文档频率的词条,语料指定的停用词。如果是浮点值,该参数代表文档的比例,整型绝对计数值,如果词汇表不为None,此参数被忽略。

max_features: optional, None by default

    如果不为None,构建一个词汇表,仅考虑max_features--按语料词频排序,如果词汇表不为None,这个参数被忽略

vocabulary:Mapping or iterable, optional

    也是一个映射(Map)(例如,字典),其中键是词条而值是在特征矩阵中索引,或词条中的迭代器。如果没有给出,词汇表被确定来自输入文件。在映射中索引不能有重复,并且不能在0到最大索引值之间有间断。

binary:boolean, False by default

    如果未True,所有非零计数被设置为1,这对于离散概率模型是有用的,建立二元事件模型,而不是整型计数

dtype:type, optional

    通过fit_transform()或transform()返回矩阵的类型

norm:‘l1‘, ‘l2‘, or None,optional

    范数用于标准化词条向量。None为不归一化

use_idf:boolean, optional

    启动inverse-document-frequency重新计算权重

smooth_idf:boolean,optional

    通过加1到文档频率平滑idf权重,为防止除零,加入一个额外的文档

sublinear_tf:boolean, optional

    应用线性缩放TF,例如,使用1+log(tf)覆盖tf

以上是关于Python中的TfidfVectorizer参数解析的主要内容,如果未能解决你的问题,请参考以下文章

Python SKlearn TfidfVectorizer 参数错误

为啥 scikit-learn 中的 TfidfVectorizer 会显示这种行为?

sklearn: TfidfVectorizer 中文处理及一些使用参数

如何在无监督聚类期间在 sklearn 的 TfidfVectorizer 中选择参数

Python2.7 - 将参数传递给命令行以根据参数过滤CSV

Python TfidfVectorizer 抛出:空词汇;也许文件只包含停用词”