Question

一个人如何将熊猫数据框中具有多列的单个列转换为CountVectorizer系列？

我有一个带有2列x 9372条记录（行）的Pandas数据框：

第一列称为twodig，它是整数
第二列称为descrp，是varchar
image of dataframe

在删除停用词和特殊字符之后，我只想在descrp列上使用CountVectorizer，但仍然保留twodig。

import pandas
from sklearn.feature_extraction.text import CountVectorizer

vectorizer = CountVectorizer()
bowmatrix = vectorizer.fit_transform(df)

但是，运行CountVectorizer要求将数据帧转换为熊猫系列，然后再与CountVectorizer一起运行。

corpus = pd.Series(df)

但是当我运行脚本时，产生的错误是：传递的项目数错误2，放置位置为9372

Answer 1

您只能从您的DataFrame中获得该列，例如：df["descrp"]，因此您的代码将是：

import pandas

from sklearn.feature_extraction.text import CountVectorizer

vectorizer = CountVectorizer()

bowmatrix = vectorizer.fit_transform(df["descrp"])

Answer 2

您可以执行类似的操作，但是在此之后并不是最佳选择。

import pandas 
from sklearn.feature_extraction.text import CountVectorizer 

vectorizer = CountVectorizer() 
df["bowmatrix"] = vectorizer.fit_transform(df["descrp"])

在两列数据框中的单列系列上运行CountVectorizer吗？

2 个答案: