我们正在开发一个数据挖掘项目,并在R中的tm包中使用了removeSparseTerms函数来减少文档术语矩阵的功能。
但是,我们希望将代码移植到python。在sklearn,nltk或其他一些可以提供相同功能的软件包中是否有一个函数?
谢谢!
答案 0 :(得分:3)
如果您的数据是纯文本,则可以使用CountVectorizer来完成此项工作。
例如:
from sklearn.feature_extraction.text import CountVectorizer
vectorizer = CountVectorizer(min_df=2)
corpus = [
'This is the first document.',
'This is the second second document.',
'And the third one.',
'Is this the first document?',
]
vectorizer = vectorizer.fit(corpus)
print vectorizer.vocabulary_
#prints {u'this': 4, u'is': 2, u'the': 3, u'document': 0, u'first': 1}
X = vectorizer.transform(corpus)
现在X
是文档术语矩阵。
(如果您要进行信息检索,还要考虑Tf–idf term weighting。
它可以帮助您轻松地获得文档术语矩阵。
关于稀疏性 - 您可以控制这些参数:
或者,如果您已经有文档术语矩阵或Tf-idf矩阵,并且您有稀疏内容的概念,请定义MIN_VAL_ALLOWED
,然后执行以下操作:
import numpy as np
from scipy.sparse import csr_matrix
MIN_VAL_ALLOWED = 2
X = csr_matrix([[7,8,0],
[2,1,1],
[5,5,0]])
z = np.squeeze(np.asarray(X.sum(axis=0) > MIN_VAL_ALLOWED)) #z is the non-sparse terms
print X[:,z].toarray()
#prints X without the third term (as it is sparse)
[[7 8]
[2 1]
[5 5]]
(使用X = X[:,z]
因此X
仍为csr_matrix
。)
如果是最低文档频率,您希望首先设置一个阈值,binarize矩阵,然后以相同的方式使用它:
import numpy as np
from scipy.sparse import csr_matrix
MIN_DF_ALLOWED = 2
X = csr_matrix([[7, 1.3, 0.9, 0],
[2, 1.2, 0.8 , 1],
[5, 1.5, 0 , 0]])
#Creating a copy of the data
B = csr_matrix(X, copy=True)
B[B>0] = 1
z = np.squeeze(np.asarray(X.sum(axis=0) > MIN_DF_ALLOWED))
print X[:,z].toarray()
#prints
[[ 7. 1.3]
[ 2. 1.2]
[ 5. 1.5]]
在此示例中,第三个和第四个术语(或列)消失了,因为它们只出现在两个文档(行)中。使用MIN_DF_ALLOWED
设置阈值。