Question

我按照这里的教程进行操作 https://github.com/amueller/introduction_to_ml_with_python/blob/master/07-working-with-text-data.ipynb 了解机器学习和文本。

在我的情况下，我使用我下载的推文，在他们使用的完全相同的目录结构中使用正面和负面推文（尝试学习情绪分析）。

在iPython Notebook中我加载数据就像他们一样：

tweets_train =load_files('Path to my training Tweets')

然后我尝试将它们与CountVectorizer相匹配

vect = CountVectorizer().fit(text_train)

我得到了

UnicodeDecodeError：＆＃39; utf-8＆＃39;编解码器不能将字节0xd8解码到位 561：无效的连续字节

这是因为我的推文中有各种非标准文字吗？我没有对我的推文进行任何清理（我认为有些图书馆可以帮助解决这些问题，以便让一大堆文字有用吗？）

编辑：我使用Twython下载推文的代码：

def get_tweets(user):
    twitter = Twython(CONSUMER_KEY,CONSUMER_SECRET,ACCESS_KEY,ACCESS_SECRET)
    user_timeline = twitter.get_user_timeline(screen_name=user,count=1)
    lis = user_timeline[0]['id']
    lis = [lis]
    for i in range(0, 16): ## iterate through all tweets
    ## tweet extract method with the last list item as the max_id
        user_timeline = twitter.get_user_timeline(screen_name=user,
        count=200, include_retweets=False, max_id=lis[-1])
        for tweet in user_timeline:
            lis.append(tweet['id']) ## append tweet id's
            text = str(tweet['text']).replace("'", "")
            text_file = open(user, "a")
            text_file.write(text)
            text_file.close()

Answer 1

您收到UnicodeDecodeError，因为您的文件正在使用错误的文本编码进行解码。如果这对您没有任何意义，请确保您了解Unicode和文本编码的基础知识，例如。使用official Python Unicode HOWTO。

首先，您需要找出用于将推文存储在磁盘上的编码。将它们保存到文本文件时，您使用了内置的open函数而未指定编码。这意味着使用了系统的默认编码。例如，在交互式会话中检查：

>>> f = open('/tmp/foo', 'a')
>>> f
<_io.TextIOWrapper name='/tmp/foo' mode='a' encoding='UTF-8'>

在这里，您可以看到在我的本地环境中，默认编码设置为UTF-8。您也可以使用

直接检查默认编码

>>> import sys
>>> sys.getdefaultencoding()
'utf-8'

还有其他方法可以找出文件使用的编码方式。例如，如果你碰巧在Unix平台上工作，Unix工具file非常擅长猜测现有文件的编码。

一旦您认为您知道用于编写文件的编码，您可以在load_files()函数中指定：

tweets_train = load_files('path to tweets', encoding='latin-1')

...如果您发现Latin-1是用于推文的编码;否则相应调整。

使用sklearn load_files进行解码/编码

1 个答案: