tfit怎么设置时间

Posted 2023-05-16

参考技术A TFIT是一款基于Python的测试框架，用于进行软件测试。如果你想要在TFIT中设置时间，可以使用Python自带的time模块来实现。以下是一个简单的示例代码：

```
import time

# 获取当前时间
current_time = time.strftime('%Y-%m-%d %H:%M:%S', time.localtime(time.time()))

# 输出当前时间
print('当前时间为：', current_time)
```

上述代码中，使用time模块的strftime函数来格式化时间，将当前时间转化为指定的格式（'%Y-%m-%d %H:%M:%S'）。然后使用time模块的localtime函数获取本地时间，并将其转化为指定格式的字符串。最后使用print函数将时间输出到控制台。

你可以根据自己的需要，修改时间格式和输出方式，来实现在TFIT中设置时间的功能。例如，可以将当前时间作为参数传入测试函数中，以便在测试报告中展示时间信息。

NotFittedError：TfidfVectorizer - 未安装词汇

【中文标题】NotFittedError：TfidfVectorizer - 未安装词汇

【英文标题】：NotFittedError: TfidfVectorizer - Vocabulary wasn't fitted

【发布时间】：2017-10-26 20:24:53

【问题描述】：

我正在尝试使用 scikit-learn/pandas 构建情绪分析器。构建和评估模型有效，但尝试对新的示例文本进行分类则无效。

我的代码：

import csv
import pandas as pd
import numpy as np
from sklearn.model_selection import train_test_split
from sklearn.feature_extraction.text import TfidfVectorizer
from sklearn.naive_bayes import BernoulliNB
from sklearn.metrics import classification_report
from sklearn.metrics import accuracy_score

infile = 'Sentiment_Analysis_Dataset.csv'
data = "SentimentText"
labels = "Sentiment"


class Classifier():
    def __init__(self):
        self.train_set, self.test_set = self.load_data()
        self.counts, self.test_counts = self.vectorize()
        self.classifier = self.train_model()

    def load_data(self):

        df = pd.read_csv(infile, header=0, error_bad_lines=False)
        train_set, test_set = train_test_split(df, test_size=.3)
        return train_set, test_set

    def train_model(self):
        classifier = BernoulliNB()
        targets = self.train_set[labels]
        classifier.fit(self.counts, targets)
        return classifier


    def vectorize(self):

        vectorizer = TfidfVectorizer(min_df=5,
                                 max_df = 0.8,
                                 sublinear_tf=True,
                                 ngram_range = (1,2),
                                 use_idf=True)
        counts = vectorizer.fit_transform(self.train_set[data])
        test_counts = vectorizer.transform(self.test_set[data])

        return counts, test_counts

    def evaluate(self):
        test_counts,test_set = self.test_counts, self.test_set
        predictions = self.classifier.predict(test_counts)
        print (classification_report(test_set[labels], predictions))
        print ("The accuracy score is :.2%".format(accuracy_score(test_set[labels], predictions)))


    def classify(self, input):
        input_text = input

        input_vectorizer = TfidfVectorizer(min_df=5,
                                 max_df = 0.8,
                                 sublinear_tf=True,
                                 ngram_range = (1,2),
                                 use_idf=True)
        input_counts = input_vectorizer.transform(input_text)
        predictions = self.classifier.predict(input_counts)
        print(predictions)

myModel = Classifier()

text = ['I like this I feel good about it', 'give me 5 dollars']

myModel.classify(text)
myModel.evaluate()

错误：

Traceback (most recent call last):
  File "sentiment.py", line 74, in <module>
    myModel.classify(text)
  File "sentiment.py", line 66, in classify
    input_counts = input_vectorizer.transform(input_text)
  File "/home/rachel/Sentiment/ENV/lib/python3.5/site-packages/sklearn/feature_extraction/text.py", line 1380, in transform
    X = super(TfidfVectorizer, self).transform(raw_documents)
  File "/home/rachel/Sentiment/ENV/lib/python3.5/site-packages/sklearn/feature_extraction/text.py", line 890, in transform
    self._check_vocabulary()
  File "/home/rachel/Sentiment/ENV/lib/python3.5/site-packages/sklearn/feature_extraction/text.py", line 278, in _check_vocabulary
    check_is_fitted(self, 'vocabulary_', msg=msg),
  File "/home/rachel/Sentiment/ENV/lib/python3.5/site-packages/sklearn/utils/validation.py", line 690, in check_is_fitted
    raise _NotFittedError(msg % 'name': type(estimator).__name__)
sklearn.exceptions.NotFittedError: TfidfVectorizer - Vocabulary wasn't fitted.

我不确定问题可能是什么。在我的分类方法中，我创建了一个全新的矢量化器来处理我想要分类的文本，与用于从模型创建训练和测试数据的矢量化器分开。

谢谢

【问题讨论】：

无论如何，在您的classify 函数中，您创建一个新的矢量化器对象，然后在它被安装之前调用transform。

添加到@AryaMcCarthy 的回答中，这个类中的整个分类函数具有误导性。构造函数允许传递输入数据。那么为什么要在分类中再次传递呢？

另一种方法here

【参考方案1】：

您可以同时保存模型和矢量化器并在以后使用它们：我是这样做的：

import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.feature_extraction.text import CountVectorizer
from sklearn.feature_extraction.text import TfidfTransformer
from sklearn.svm import LinearSVC
import pickle


# Train the classification model
def train_model():
    df = pd.read_json('intent_data.json')

    X_train, X_test, y_train, y_test = train_test_split(df['Utterance'], df['Intent'], random_state=0)

    count_vect = CountVectorizer()
    X_train_counts = count_vect.fit_transform(X_train)
    tfidf_transformer = TfidfTransformer()
    X_train_tfidf = tfidf_transformer.fit_transform(X_train_counts)

    model = LinearSVC().fit(X_train_tfidf, y_train)

    # Save the vectorizer
    vec_file = 'vectorizer.pickle'
    pickle.dump(count_vect, open(vec_file, 'wb'))

    # Save the model
    mod_file = 'classification.model'
    pickle.dump(model, open(mod_file, 'wb'))


# Load the classification model from disk and use for predictions
def classify_utterance(utt):
    # load the vectorizer
    loaded_vectorizer = pickle.load(open('vectorizer.pickle', 'rb'))

    # load the model
    loaded_model = pickle.load(open('classification.model', 'rb'))

    # make a prediction
    print(loaded_model.predict(loaded_vectorizer.transform([utt])))

【参考方案2】：

将vectorizer 保存为pickle 或joblib 文件，并在需要预测时加载。

pickle.dump(vectorizer, open("vectorizer.pickle", "wb")) //Save vectorizer
pickle.load(open("models/vectorizer.pickle", 'rb'))     // Load vectorizer

【讨论】：

你拯救了这一天！

【参考方案3】：

你已经安装了一个矢量化器，但你把它扔掉了，因为它在你的 vectorize 函数的生命周期之后就不存在了。相反，将模型转换后保存在 vectorize 中：

self._vectorizer = vectorizer

然后在您的 classify 函数中，不要创建新的矢量化器。相反，请使用适合训练数据的那个：

input_counts = self._vectorizer.transform(input_text)

【讨论】：

如果您想在一周后回来使用它怎么办？我的第一个想法是腌制矢量化器，但得到can't pickle instancemethod objects。那么如何保存矢量化器以进行长期存储呢？

你真的应该把它作为一个单独的问题发布，这样它就会得到更大的可见性。如果需要，可以链接到这个。