使用卡方检验列出语料库中拒绝原假设的所有单词

Posted 2023-03-12

【中文标题】使用卡方检验列出语料库中拒绝原假设的所有单词

【英文标题】：List all the words in corpus that reject null hypothesis with chi-squared test

【发布时间】：2019-07-26 16:23:52

【问题描述】：

我有一个列出前 n 个单词（具有较高卡方值的单词）的脚本。但是，我不想提取固定的 n 个单词，而是要提取 p 值小于 0.05 的所有单词，即拒绝原假设。

这是我的代码：

from sklearn.feature_selection import chi2

#vectorize top 100000 words
tfidf = TfidfVectorizer(max_features=100000,ngram_range=(1, 3))
X_tfidf = tfidf.fit_transform(df.review_text)
y = df.label
chi2score = chi2(X_tfidf, y)[0]
scores = list(zip(tfidf.get_feature_names(), chi2score))
chi2 = sorted(scores, key=lambda x:x[1])
allchi2 = list(zip(*chi2))

#lists top 20 words
allchi2 = allchi2[0][-20:]

因此，在这种情况下，我不希望列出前 20 个单词，而是希望所有拒绝零假设的单词，即评论中依赖于情绪类别（正面或负面）的所有单词

【问题讨论】：

问题与keras 无关 - 请不要向无关标签发送垃圾邮件（已删除）。

【参考方案1】：

from sklearn.feature_selection import chi2

#vectorize top 100000 words
tfidf = TfidfVectorizer(max_features=100000,ngram_range=(1, 3))
X_tfidf = tfidf.fit_transform(df.review_text)
y = df.label
chi2_score, pval_score = chi2(X_tfidf, y)
feature_pval_items = filter(lambda x:x[1]<0.05, zip(tfidf.get_feature_names(), pval_score))
you_want_feature_pval_items = sorted(feature_pval_items, key=lambda x:x[1])