怎么使用Python的sklearn中的CountVectorizer

這篇“怎么使用Python的sklearn中的CountVectorizer”文章的知識點大部分人都不太理解，所以小編給大家總結了以下內容，內容詳細，步驟清晰，具有一定的借鑒價值，希望大家閱讀完這篇文章能有所收獲，下面我們一起來看看這篇“怎么使用Python的sklearn中的CountVectorizer”文章吧。

簡介

CountVectorizer官方文檔。

將一個文檔集合向量化為為一個計數矩陣。

如果不提供一個先驗字典，不使用分析器做某種特征選擇，那么特征的數量將等于通過分析數據發現的詞匯量。

數據預處理

兩種方法：1.可以不分詞直接投入模型；2.可以先將中文文本進行分詞。

兩種方法產生的詞匯會非常不同。在后面會具體給出示范。

import jieba
import re
from sklearn.feature_extraction.text import CountVectorizer
#原始數據
text = ['很少在公眾場合手機外放',
        '大部分人都還是很認真去學習的',
        '他們會用行動來',
        '無論你現在有多頹廢，振作起來',
        '只需要一點點地改變',
        '你的外在和內在都能煥然一新']
#提取中文
text = [' '.join(re.findall('[\u4e00-\u9fa5]+',tt,re.S)) for tt in text]
#分詞
text = [' '.join(jieba.lcut(tt)) for tt in text]
text

構建模型

訓練模型

#構建模型
vectorizer = CountVectorizer()
#訓練模型
X = vectorizer.fit_transform(text)

所有詞匯：model.get_feature_names()

#所有文檔匯集后生成的詞匯
feature_names = vectorizer.get_feature_names()
print(feature_names)

不分詞生成的詞匯

分詞后生成的詞匯

計數矩陣：X.toarray()

#每個文檔相對詞匯量出現次數形成的矩陣
matrix = X.toarray()
print(matrix)

#計數矩陣轉化為DataFrame
df = pd.DataFrame(matrix, columns=feature_names)
df

詞匯索引：model.vocabulary_

print(vectorizer.vocabulary_)

以上就是關于“怎么使用Python的sklearn中的CountVectorizer”這篇文章的內容，相信大家都有了一定的了解，希望小編分享的內容對大家有幫助，若想了解更多相關的知識內容，請關注億速云行業資訊頻道。