CountVectorizer 给出错误的单词计数?

Posted

技术标签:

【中文标题】CountVectorizer 给出错误的单词计数?【英文标题】:CountVectorizer giving wrong counts for words? 【发布时间】:2017-12-19 16:06:21 【问题描述】:

假设我的文本文件包含以下文本:

敏捷的棕色狐狸跳过了懒惰的狗。一针及时节省 九。快速的棕色针迹跳过了懒惰的时间。里面的狐狸 时间可以救狗。

我想使用 sk-learn 的 CountVectorizer 来获取文件中所有单词的字数。 (我知道还有其他方法可以做到这一点,但我想使用 CountVectorizer 有几个原因。)这是我的代码:

from nltk.corpus import stopwords
from sklearn.feature_extraction.text import CountVectorizer

text = input('Please enter the filepath for the text: ') 
text = open(text, 'r', encoding = 'utf-8')
tokens = CountVectorizer(analyzer = 'word', stop_words = 'english')


X = tokens.fit_transform(text)
dictionary = tokens.vocabulary_

除了当我打电话给dictionary 时,它给了我错误的计数:

>>> dictionary
'time': 9, 'dog': 1, 'stitch': 8, 'quick': 6, 'lazy': 5, 'brown': 0, 'saves': 7, 'jumped': 4, 'fox': 3, 'dogs': 2

任何人都可以就我在这里犯的(无疑是显而易见的)错误提出建议吗?

【问题讨论】:

【参考方案1】:

vocabulary_ 是术语到它们在文档术语矩阵中的索引的字典/映射,而不是计数:

vocabulary_:术语到特征索引的映射。

X 实际上为您提供了特征索引和相应计数的矩阵。

>>> for i in X:
...    print(i)
... 
  (0, 1)    1
  (0, 7)    2
  (0, 9)    3
  (0, 8)    2
  (0, 2)    1
  (0, 5)    2
  (0, 4)    2
  (0, 3)    2
  (0, 0)    2
  (0, 6)    2

例如9 -> 'time' 的计数为 3。

【讨论】:

啊,我明白了!确实感谢这个非常简洁的解决方案。

以上是关于CountVectorizer 给出错误的单词计数?的主要内容,如果未能解决你的问题,请参考以下文章

Countvectorizer scikit-learn 中的 TypeError:预期的字符串或缓冲区

countvectorizer 无法检测到单词

CountVectorizer 构建字典以删除多余的单词

Sklearn CountVectorizer:将表情符号保留为单词

在训练和测试数据上拟合 CountVectorizer,以免遗漏任何单词

如何有效地使用 CountVectorizer 来组合目录中所有文件的 ngram 计数?