如何防止TfidfVectorizer将数字作为词汇表

Question

我像这样使用TfidfVectorizer：

from sklearn.feature_extraction.text import TfidfVectorizer
stop_words = stopwords.words("english")
vectorizer = TfidfVectorizer(stop_words=stop_words, min_df=200)
xs['train'] = vectorizer.fit_transform(docs['train'])
xs['test'] = vectorizer.transform(docs['test']).toarray()

但在检查vectorizer.vocabulary_时，我注意到它学到了纯数字特征：

[(u'00', 0), (u'000', 1), (u'0000', 2), (u'00000', 3), (u'000000', 4)

我不想要这个。我该如何预防？

Answer 1

您可以在启动矢量图时定义token_pattern。默认值为u'(?u)\b\w\w+\b'（(?u)部分只是打开re.UNICODE标志）。可以摆弄它，直到你得到你需要的东西。

类似的东西：

vectorizer = TfidfVectorizer(stop_words=stop_words,
                             min_df=200,
                             token_pattern=u'(?u)\b\w*[a-zA-Z]\w*\b')

另一种选择（如果你的样本中出现数字的事实）是在矢量化之前屏蔽所有数字。

re.sub('\b[0-9][0-9.,-]*\b', 'NUMBER-SPECIAL-TOKEN', sample)

这样，数字会在你的矢量化程序词汇表中找到相同的位置，你也不会完全忽略它们。