Question

我对TfidfVectorizer。

有一些疑问

我不清楚如何选择单词。我们可以提供最低限度的支持，但在此之后，将决定选择哪些功能（例如更高的支持更多机会）？如果我们说max_features = 10000，我们总能得到相同的吗？如果我们说max_features = 12000，我们是否会获得相同的10000功能，但会额外添加2000？

另外，有没有办法扩展max_features=20000功能？我把它放在一些文本上，但我知道应该包含一些肯定的词，还有一些表情符号“:-)”等。如何将这些添加到TfidfVectorizer对象中，以便它可以要使用该对象，请将其用于fit和predict

to_include = [":-)", ":-P"]
method = TfidfVectorizer(max_features=20000, ngram_range=(1, 3),
                      # I know stopwords, but how about include words?
                      stop_words=test.stoplist[:100], 
                      # include words ??
                      analyzer='word',
                      min_df=5)
method.fit(traindata)

求结果：

X = method.transform(traindata)
X
<Nx20002 sparse matrix of type '<class 'numpy.int64'>'
 with 1135520 stored elements in Compressed Sparse Row format>], 
 where N is sample size

Answer 1

您要问几个单独的问题。让我分开回答：

“我不清楚如何选择单词。”

来自documentation：

max_features : optional, None by default
    If not None, build a vocabulary that only consider the top
    max_features ordered by term frequency across the corpus.

所有功能（在您的情况下为unigrams，bigrams和trigrams）按整个语料库中的频率排序，然后选择顶部10000。这些不常见的词语被抛弃了。

“如果我们说max_features = 10000，我们总是得到相同的吗？如果我们说max_features = 12000，我们会得到相同的10000个功能，但额外增加了2000个吗？”

是。这个过程是确定性的：对于给定的语料库和给定的max_features，您将始终获得相同的功能。

我适合某些文字，但我知道应该包含的一些词语，[...]如何将这些添加到TfidfVectorizer对象中？

使用vocabulary参数指定应使用的功能。例如，如果您只想提取表情符号，则可以执行以下操作：

emoticons = {":)":0, ":P":1, ":(":2}
vect = TfidfVectorizer(vocabulary=emoticons)
matrix = vect.fit_transform(traindata)

这将返回<Nx3 sparse matrix of type '<class 'numpy.int64'>' with M stored elements in Compressed Sparse Row format>]。请注意，只有3列，每个功能一列。

如果您希望词汇表包含表情符号以及N最常见的功能，您可以首先计算最常用的功能，然后将它们与表情符号合并并重新显示像这样矢量化：

# calculate the most frequent features first
vect = TfidfVectorizer(vocabulary=emoticons, max_features=10)
matrix = vect.fit_transform(traindata)
top_features = vect.vocabulary_
n = len(top_features)

# insert the emoticons into the vocabulary of common features
emoticons = {":)":0, ":P":1, ":(":2)}
for feature, index in emoticons.items():
    top_features[feature] = n + index

# re-vectorize using both sets of features
# at this point len(top_features) == 13
vect = TfidfVectorizer(vocabulary=top_features)
matrix = vect.fit_transform(traindata)

sklearn中的TfidfVectorizer如何具体包含单词

求结果：

1 个答案: