如何用 scikit learn 向量化标记的二元组？

Posted 2023-03-12

【中文标题】如何用 scikit learn 向量化标记的二元组？

【英文标题】：How to vectorize labeled bigrams with scikit learn?

【发布时间】：2015-02-11 19:42:00

【问题描述】：

我正在自学如何使用 scikit-learn，我决定使用我自己的语料库开始 second task。我手动获得了一些二元组，比如说：

training_data = [[('this', 'is'), ('is', 'a'),('a', 'text'), 'POS'],
[('and', 'one'), ('one', 'more'), 'NEG']
[('and', 'other'), ('one', 'more'), 'NEU']]

我想以一种可以很好地填充 scikit-learn 提供的分类算法（svc、多项式朴素贝叶斯等）的格式对它们进行矢量化处理。这是我尝试过的：

from sklearn.feature_extraction.text import CountVectorizer

count_vect = CountVectorizer(analyzer='word')

X = count_vect.transform(((' '.join(x) for x in sample)
                  for sample in training_data))

print X.toarray()

问题在于我不知道如何处理标签（即'POS', 'NEG', 'NEU'），我是否也需要“矢量化”标签以便将training_data 传递给分类算法，或者我可以让它像'POS'或任何其他类型的字符串？另一个问题是我得到了这个：

raise ValueError("Vocabulary wasn't fitted or is empty!")
ValueError: Vocabulary wasn't fitted or is empty!

那么，我如何矢量化像 training_data 这样的二元组。我也在阅读有关dictvectorizer 和Sklearn-pandas 的信息，你们认为使用它们可能是完成这项任务的更好方法吗？

【参考方案1】：

应该是这样的：

>>> training_data = [[('this', 'is'), ('is', 'a'),('a', 'text'), 'POS'],
                 [('and', 'one'), ('one', 'more'), 'NEG'],
                 [('and', 'other'), ('one', 'more'), 'NEU']]
>>> count_vect = CountVectorizer(preprocessor=lambda x:x,
                                 tokenizer=lambda x:x)
>>> X = count_vect.fit_transform(doc[:-1] for doc in training_data)

>>> print count_vect.vocabulary_
('and', 'one'): 1, ('a', 'text'): 0, ('is', 'a'): 3, ('and', 'other'): 2, ('this', 'is'): 5, ('one', 'more'): 4
>>> print X.toarray()
[[1 0 0 1 0 1]
 [0 1 0 0 1 0]
 [0 0 1 0 1 0]]

然后将标签放入目标变量中：

y = [doc[-1] for doc in training_data] # ['POS', 'NEG', 'NEU']

现在您可以训练模型了：

model = SVC()
model.fit(X, y)

【讨论】：

其实我一直在使用这种设置标签的方式。问题是我有一个更大的二元组列表，而且看起来不清楚 scikit 如何使用标签来训练和预测一些结果。是否有另一种pythonic方法来设置标签而不是逐行进行？谢谢！

是的，更新了我的答案，还修复了 CountVectorizer 调用，使其不会预处理或标记您的二元组。

您的代码中有几个小错误，我建议您打开一个新问题，与您现在遇到的错误和即将遇到的错误相关（提示：比较标签的代码@ 987654325@与我的）

如果你的意思是“如何从列表中提取最后一个元素”，这在 python 中称为列表推导。类似于y=[]; for sublist in data_training: y.append(sublist[-1]);，其中sublist[-1]表示“子列表的最后一个元素”

那么CountVectorizer 可以输入原始文本并输出二元组，查找ngram_range 参数。