Question

我使用scikit中的TfidfVectorizer学习从文本数据中提取某些特征。我有一个带有分数的CSV文件（可以是+1或-1）和一个评论（文本）。我将这些数据导入DataFrame，因此我可以运行Vectorizer。

这是我的代码：

import pandas as pd
import numpy as np
from sklearn.feature_extraction.text import TfidfVectorizer

df = pd.read_csv("train_new.csv",
             names = ['Score', 'Review'], sep=',')

# x = df['Review'] == np.nan
#
# print x.to_csv(path='FindNaN.csv', sep=',', na_rep = 'string', index=True)
#
# print df.isnull().values.any()

v = TfidfVectorizer(decode_error='replace', encoding='utf-8')
x = v.fit_transform(df['Review'])

这是我得到的错误的追溯：

Traceback (most recent call last):
  File "/home/PycharmProjects/Review/src/feature_extraction.py", line 16, in <module>
x = v.fit_transform(df['Review'])
 File "/home/b/hw1/local/lib/python2.7/site-   packages/sklearn/feature_extraction/text.py", line 1305, in fit_transform
   X = super(TfidfVectorizer, self).fit_transform(raw_documents)
 File "/home/b/work/local/lib/python2.7/site-packages/sklearn/feature_extraction/text.py", line 817, in fit_transform
self.fixed_vocabulary_)
 File "/home/b/work/local/lib/python2.7/site- packages/sklearn/feature_extraction/text.py", line 752, in _count_vocab
   for feature in analyze(doc):
 File "/home/b/work/local/lib/python2.7/site-packages/sklearn/feature_extraction/text.py", line 238, in <lambda>
tokenize(preprocess(self.decode(doc))), stop_words)
 File "/home/b/work/local/lib/python2.7/site-packages/sklearn/feature_extraction/text.py", line 118, in decode
 raise ValueError("np.nan is an invalid document, expected byte or "
 ValueError: np.nan is an invalid document, expected byte or unicode string.

我检查了CSV文件和DataFrame以查找被读为NaN的任何内容，但我找不到任何内容。有18000行，其中没有一行返回isnan为True。

这就是df['Review'].head()的样子：

  0    This book is such a life saver.  It has been s...
  1    I bought this a few times for my older son and...
  2    This is great for basics, but I wish the space...
  3    This book is perfect!  I'm a first time new mo...
  4    During your postpartum stay at the hospital th...
  Name: Review, dtype: object

Answer 1

您需要将dtype object转换为unicode字符串，如回溯中明确提到的那样。

x = v.fit_transform(df['Review'].values.astype('U'))  ## Even astype(str) would work

从TFIDF Vectorizer的Doc页面：

fit_transform（raw_documents，y = None）


参数：raw_documents：iterable
  产生 str ， unicode 或文件对象的可迭代

Answer 2

我找到了解决此问题的更有效方法。

x = v.fit_transform(df['Review'].apply(lambda x: np.str_(x)))

当然，您可以使用df['Review'].values.astype('U')来转换整个系列。但是我发现如果您要转换的Series很大，使用此功能将消耗更多的内存。（我用80w行数据的Series进行了测试，这样做astype('U')将消耗大约96GB的内存）

相反，如果您使用lambda表达式仅将系列中的数据从str转换为numpy.str_，则结果也将被fit_transform函数接受，这将更快，并且不会增加内存使用量。

我不确定为什么会这样，因为在TFIDF Vectorizer的“文档”页面中：

fit_transform（raw_documents，y = None）

参数：raw_documents：可迭代

一个可迭代的对象，它产生str，unicode或文件对象

但是实际上，此可迭代项必须产生np.str_而不是str。

Answer 3

即使在数据集中的评论中使用.values.astype('U')后，我仍然收到MemoryError。

所以我尝试了.astype('U').values并成功了。

这是来自Python: how to avoid MemoryError when transform text data into Unicode using astype('U')

的答案

scikit-learn中的TfidfVectorizer：ValueError：np.nan是一个无效的文档

3 个答案: