Question

我试图从Skit-learn向CountVectorizer添加Lematization，如下所示

import nltk
from pattern.es import lemma
from nltk import word_tokenize
from nltk.corpus import stopwords
from sklearn.feature_extraction.text import CountVectorizer
from nltk.stem import WordNetLemmatizer

class LemmaTokenizer(object):
    def __call__(self, text):
        return [lemma(t) for t in word_tokenize(text)]

vectorizer = CountVectorizer(stop_words=stopwords.words('spanish'),tokenizer=LemmaTokenizer())

sentence = ["EVOLUCIÓN de los sucesos y la EXPANSIÓN, ellos juegan y yo les dije lo que hago","hola, qué tal vas?"]

vectorizer.fit_transform(sentence)

这是输出：

[u',', u'?', u'car', u'decir', u'der', u'evoluci\xf3n', u'expansi\xf3n', u'hacer', u'holar', u'ir', u'jugar', u'lar', u'ler', u'sucesos', u'tal', u'yar']

已更新

这是出现的停用词，并且已被词形化：

你＆＃39;，你＆＃39; ler＆＃39;，你＆＃39;

所有单词都是lemmatice，并且不会删除停用词。那么，任何想法？

Answer 1

多数民众赞成，因为词义化是在停止删除词之前完成的。然后在stopwords.words('spanish')提供的停用词集中找不到词形化的停用词。

有关CountVectorizer的完整工作订单，请参阅my other answer here。它关于TfidfVectorizer但订单是一样的。在该答案中，第3步是词形还原，第4步是删除词。

现在要删除停用词，您有两种选择：

1）你将停用词集自身解释，然后将其传递给CountVectorizer中的stop_words param。

my_stop_words = [lemma(t) for t in stopwords.words('spanish')]
vectorizer = CountVectorizer(stop_words=my_stop_words, 
                             tokenizer=LemmaTokenizer())

2）在LemmaTokenizer本身中包含停用词删除。

class LemmaTokenizer(object):
    def __call__(self, text):
        return [lemma(t) for t in word_tokenize(text) if t not in stopwords.words('spanish')]

如果不能正常工作，请尝试这些并发表评论。

CountVectorizer上的词形还原不会删除停用词

1 个答案: