Question

我有一个数据框df，由文本和数字功能组成，类似于以下所示。

Feature 1     Feature 2         Feature 3           Feature 4         Label
 10            20                keyword             Human             1
  2             3                Keywords            Dog               0
  8             2                Stackoverflow       cat               0

当前，我使用factorize函数将文本特征转换为数字特征，然后使用新的数据框进行分类。

df[' Feature 3'] = df[' Feature 3'].factorize()[0]
df[' Feature 4'] = df[' Feature 4'].factorize()[0]

运行上述代码后，我的数据框如下所示：

 Feature 1     Feature 2         Feature 3           Feature 4         Label
 10            20                0                    0                 1
  2             3                1                    1                 0
  8             2                2                    2                 0

factorize函数将'keywords'和'keyword'读为不同的单词，是否有任何函数会将与'keywords'和'keyword'类似的单词读为同一单词？

输出数据框实际上应该像这样

 Feature 1     Feature 2         Feature 3           Feature 4         Label
 10            20                0                    0                 1
  2             3                0                    1                 0
  8             2                1                    2                 0

Answer 1

您可能想看看茎干。

NLTK给出了如何使用它们的示例here，但是总之，词干将单词切成词根，例如...

from nltk.stem.porter import *

stemmer = PorterStemmer()

words = ['jog', 'jogging', 'jogged']

[stemmer.stem(word) for word in words]

返回：

['jog', 'jog', 'jog']

或为您

words = ['keyword', 'keywords']

[stemmer.stem(word) for word in words]

返回：

['keyword', 'keyword']

编辑：

我应该指出，要使此功能有效，这些词不需要相似：

words = ['drinking', 'running', 'walking', 'walked']

输出：

['drink', 'run', 'walk', 'walk']

分解文本特征以进行分类

1 个答案: