Question

我在计数器中添加了词形还原，正如Sklearn page所述。

from nltk import word_tokenize          
from nltk.stem import WordNetLemmatizer 
class LemmaTokenizer(object):
    def __init__(self):
        self.wnl = WordNetLemmatizer()
    def __call__(self, articles):
        return [self.wnl.lemmatize(t) for t in word_tokenize(articles)]

tf_vectorizer = CountVectorizer(tokenizer=LemmaTokenizer,
                       strip_accents = 'unicode',
                       stop_words = 'english',
                       lowercase = True,
                       token_pattern = r'\b[a-zA-Z]{3,}\b', # keeps words of 3 or more characters
                       max_df = 0.5,
                       min_df = 10)

但是，使用fit_transform创建 dtm 时，我会收到以下错误（其中我没有意义）。在将词形还原添加到我的矢量化器之前，dtm代码始终有效。我深入研究了手册，并尝试了一些代码，但无法找到任何解决方案。

dtm_tf = tf_vectorizer.fit_transform(articles)

更新

在遵循下面的@ MaxU建议之后，代码运行时没有错误，但是数字和标点符号并没有从我的输出中省略。我运行单独的测试，以查看LemmaTokenizer()之后哪些其他功能执行和不起作用。结果如下：

strip_accents = 'unicode', # works
stop_words = 'english', # works
lowercase = True, # works
token_pattern = r'\b[a-zA-Z]{3,}\b', # does not work
max_df = 0.5, # works
min_df = 10 # works

很明显，它只是token_pattern变得不活跃。以下是没有token_pattern的更新且有效的代码（我只需要先安装＆＃39; punkt＆＃39;和＃39; wordnet＆＃39;包）：

from nltk import word_tokenize          
from nltk.stem import WordNetLemmatizer 
class LemmaTokenizer(object):
    def __init__(self):
        self.wnl = WordNetLemmatizer()
    def __call__(self, articles):
        return [self.wnl.lemmatize(t) for t in word_tokenize(articles)]

tf_vectorizer = CountVectorizer(tokenizer=LemmaTokenizer(),
                                strip_accents = 'unicode', # works 
                                stop_words = 'english', # works
                                lowercase = True, # works
                                max_df = 0.5, # works
                                min_df = 10) # works

对于那些想要删除数字，标点符号和少于3个字符的单词（但不知道如何）的人，这是在使用Pandas数据帧时为我做的一种方法

# when working from Pandas dataframe

df['TEXT'] = df['TEXT'].str.replace('\d+', '') # for digits
df['TEXT'] = df['TEXT'].str.replace(r'(\b\w{1,2}\b)', '') # for words
df['TEXT'] = df['TEXT'].str.replace('[^\w\s]', '') # for punctuation

Answer 1

应该是：

tf_vectorizer = CountVectorizer(tokenizer=LemmaTokenizer(),
# NOTE:                        ---------------------->  ^^

而不是：

tf_vectorizer = CountVectorizer(tokenizer=LemmaTokenizer,

Sklearn：将lemmatizer添加到CountVectorizer

1 个答案: