Question

我对如何在Python中的scikit-learn库中使用ngrams感到有点困惑，具体来说，ngram_range参数在CountVectorizer中是如何工作的。

运行此代码：

from sklearn.feature_extraction.text import CountVectorizer
vocabulary = ['hi ', 'bye', 'run away']
cv = CountVectorizer(vocabulary=vocabulary, ngram_range=(1, 2))
print cv.vocabulary_

给了我：

{'hi ': 0, 'bye': 1, 'run away': 2}

在我明显错误的印象中，我会得到unigrams和bigrams，就像这样：

{'hi ': 0, 'bye': 1, 'run away': 2, 'run': 3, 'away': 4}

我正在使用此处的文档：http://scikit-learn.org/stable/modules/feature_extraction.html

显然，我对如何使用ngrams的理解存在严重问题。也许这个论点没有效果，或者我对一个真正的二元组有一些概念上的问题！我很难过。如果有人提出建议，我会感激不尽。

更新
我意识到了我的方式的愚蠢。我的印象是ngram_range会影响词汇量，而不会影响语料库。

Answer 1

明确设置vocabulary意味着不会从数据中学习词汇。如果你没有设置它，你会得到：

>>> v = CountVectorizer(ngram_range=(1, 2))
>>> pprint(v.fit(["an apple a day keeps the doctor away"]).vocabulary_)
{u'an': 0,
 u'an apple': 1,
 u'apple': 2,
 u'apple day': 3,
 u'away': 4,
 u'day': 5,
 u'day keeps': 6,
 u'doctor': 7,
 u'doctor away': 8,
 u'keeps': 9,
 u'keeps the': 10,
 u'the': 11,
 u'the doctor': 12}

明确的词汇表限制将从文本中提取的术语;词汇没有改变：

>>> v = CountVectorizer(ngram_range=(1, 2), vocabulary={"keeps", "keeps the"})
>>> v.fit_transform(["an apple a day keeps the doctor away"]).toarray()
array([[1, 1]])  # unigram and bigram found

（请注意，在n-gram提取之前应用了停用词过滤，因此"apple day"。）

理解sklearn中CountVectorizer中的`ngram_range`参数

1 个答案: