如何将 tfidf 特征与自制特征结合起来
Posted
技术标签:
【中文标题】如何将 tfidf 特征与自制特征结合起来【英文标题】:How to combine tfidf features with selfmade features 【发布时间】:2017-10-28 19:08:37 【问题描述】:对于一个简单的网页分类系统,我试图将一些自制的特征(html标签的频率,某些单词搭配的频率)与应用tfidf后获得的特征结合起来。但是,我面临以下问题,我真的不知道如何从这里开始。
现在我正试图将所有这些放在一个数据框中,主要是遵循以下link 中的代码:
from sklearn.feature_extraction.text import TfidfVectorizer
import pandas as pd
vectorizer = TfidfVectorizer(stop_words="english")
X_train_counts = vectorizer.fit_transform(train_data['text_no_punkt'])
feature_names = vectorizer.get_feature_names()
dense = X_train_counts.todense()
denselist = dense.tolist()
tfidf_df = pd.DataFrame(denselist, columns=feature_names, index=train_data['text_no_punkt'])
但这不会返回我在原始数据框中的索引(从 0 到 2464)以及其他功能,它似乎也不会产生可读的列名,而是使用不同的单词作为标题,而是使用数字.
此外,我不确定这是否是组合特征的正确方法,因为这会产生一个非常高维的数据框,这可能不会使分类器受益。
【问题讨论】:
【参考方案1】:您可以使用hstack
合并两个稀疏矩阵,而无需转换为密集格式。
from scipy.sparse import hstack
hstack([X_train_counts, X_train_custom])
【讨论】:
以上是关于如何将 tfidf 特征与自制特征结合起来的主要内容,如果未能解决你的问题,请参考以下文章