如何基于gensim和Sklearn实现文本矢量化

2023-11-29 00:20

本文主要是介绍如何基于gensim和Sklearn实现文本矢量化,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

     大家利用机器学习或深度学习开展文本分类或关联性分析之前,由于计算机只能分析数值型数据,而人类所熟悉的自然语言文字,机器学习算法是一窍不通的,因此需要将大类的文本及前后关系进行设计,并将其转换为数值化表示。一般来说,文本语言模型主要有词袋模型(BOW)、词向量模型和主题模型,目前比较常见是前两种,各种机器学习框架都有相应的word2vec的机制和支持模型,比如gensim和Scikit-learn(简称Sklearn),词袋模型向量化技术主要有One-Hot、文本计数数值化、词频-逆文档频率(TF-IDF)。详见以下示例,分别讲述了上述两种框架下的应用,同时结合了分词技术,去掉了停用词,加入了自定义分词。具体如下,供大家学习参考。
一、运行环境:python3.10环境,安装了 sklearn、gensim、jieba等。
二、应用示例:实现多段文本的自动分词,之后进行词袋模型的矢量化表示。完整代码如下。

from sklearn.feature_extraction import DictVectorizer  
from sklearn.feature_extraction.text import CountVectorizer  
from sklearn.feature_extraction.text import TfidfVectorizer  
from gensim.models import Word2Vec  
import gensim  
import jieba,sys  
# 将当前目录加载道path
sys.path.append("../") 
# 加载自定义分词词典  
jieba.load_userdict("../data/user_dict.txt")  # 去掉一些停用词和数字  
def rm_tokens(words,stwlist):  words_list = list(words)  stop_words = stwlist  for i in range(words_list.__len__())[::-1]:  if words_list[i] in stop_words: # 去除停用词  words_list.pop(i)  elif len(words_list[i]) == 1:  # 去除单个字符  words_list.pop(i)  elif words_list[i] == " ":  # 去除空字符  words_list.pop(i)  elif words_list[i].strip() == "/" or words_list[i].strip()  == "\\" or words_list[i].strip()  == "'" or words_list[i].strip()  == "\"":  # 去斜杠  words_list.pop(i)  return words_list  # 进行分词并返回
def cut_words(text):  result = rm_tokens(jieba.cut(text),stwlist)  print('list(jieba.cut(text))结果为:', result)  txt = ' '.join(result)  return txt  
# 创建停用词列表  
def get_stop_words(path=r'../data/user_stopwords.txt'):  file = open(path, 'r',encoding='utf-8').read().split('\n')  return set(file)  # 2 获取停用词  
stwlist = get_stop_words()  #类别向量数值化方式  
data = [  
{'name': 'Alan Turing', 'born': 1912, 'died': 1954},  
{'name': 'Herbert A. Simon', 'born': 1916, 'died': 2001},  
{'name': 'Jacek Karpinski', 'born': 1927, 'died': 2010},  
{'name': 'J.C.R. Licklider', 'born': 1915, 'died': 1990},  
{'name': 'Marvin Minsky', 'born': 1927, 'died': 2016},  
]#1.One-Hot编码,文本矢量化或数值化表示  
vec = DictVectorizer(sparse=False, dtype=int)  
print(vec.fit_transform(data))  
print(vec.get_feature_names())  
vec = DictVectorizer(sparse=True, dtype=int) #One-Hot编码,设置稀疏矩阵的紧凑表示  
data2=vec.fit_transform(data)  sample=[  '列出了aaa井的基本数据信息,描述了该井所在地区的钻探成果和钻井简况',  '列出了bbb井的基本数据信息及下x深结构图,详细记录了自拖航至,弃井作业,综合录井日记',  '列出了ccc井的基本数据信息,描述了该井所在地区的钻探成果和钻井简况'  
]  
sample2 = []  
for i in sample:  sample2.append(cut_words(i))  #2.文本计数的数值化转换表示  
vec = CountVectorizer(lowercase=False,stop_words=None,analyzer='word') #文本计数的数值化转换  
X = vec.fit_transform(sample2)  
print(vec.get_feature_names())  
print(X.toarray())  
print("词袋 = ",vec.vocabulary_)   #词袋,根据分词结果和首字母,进行编号  #3.词频-逆文档频率,文本矢量化或数值化表示  
vec = TfidfVectorizer(lowercase=False,stop_words=None,analyzer='word', use_idf=True,smooth_idf=True) #词频-逆文档频率  
X = vec.fit_transform(sample2)  
print(vec.get_feature_names())  
'基本数据信息' in vec.get_feature_names() #判断是否包含指定字符串  
print(X.toarray()) #输出词向量# 4.gensim的词袋模型  
# 需要将数据放在Dictionary中,带有unicode token  
sample2_unitoken = [d.split() for d in sample2]  
dictionary = gensim.corpora.Dictionary(sample2_unitoken)  
vec = [dictionary.doc2bow(word) for word in sample2_unitoken]  
print(vec)   #输出词向量# 5.gensim的n-gram模型  
bigram = gensim.models.Phrases(sample2_unitoken)  
txts = [bigram[line] for line in sample2_unitoken]  
dictionary = gensim.corpora.Dictionary(txts)  
vec = [dictionary.doc2bow(text) for text in txts]  
print(vec)   #输出词向量# 6.gensim的tfidf模型  
dictionary = gensim.corpora.Dictionary(sample2_unitoken)  
doc2bow = [dictionary.doc2bow(word) for word in sample2_unitoken]  
tfidf=gensim.models.TfidfModel(doc2bow)  
vec=[]  
for document in tfidf[doc2bow]:  vec.append(document)  
print(vec)  #输出词向量

这篇关于如何基于gensim和Sklearn实现文本矢量化的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/430768

相关文章

c++ 类成员变量默认初始值的实现

《c++类成员变量默认初始值的实现》本文主要介绍了c++类成员变量默认初始值,文中通过示例代码介绍的非常详细,对大家的学习或者工作具有一定的参考学习价值,需要的朋友们下面随着小编来一起学习学习吧... 目录C++类成员变量初始化c++类的变量的初始化在C++中,如果使用类成员变量时未给定其初始值,那么它将被

Qt使用QSqlDatabase连接MySQL实现增删改查功能

《Qt使用QSqlDatabase连接MySQL实现增删改查功能》这篇文章主要为大家详细介绍了Qt如何使用QSqlDatabase连接MySQL实现增删改查功能,文中的示例代码讲解详细,感兴趣的小伙伴... 目录一、创建数据表二、连接mysql数据库三、封装成一个完整的轻量级 ORM 风格类3.1 表结构

基于Python实现一个图片拆分工具

《基于Python实现一个图片拆分工具》这篇文章主要为大家详细介绍了如何基于Python实现一个图片拆分工具,可以根据需要的行数和列数进行拆分,感兴趣的小伙伴可以跟随小编一起学习一下... 简单介绍先自己选择输入的图片,默认是输出到项目文件夹中,可以自己选择其他的文件夹,选择需要拆分的行数和列数,可以通过

Python中将嵌套列表扁平化的多种实现方法

《Python中将嵌套列表扁平化的多种实现方法》在Python编程中,我们常常会遇到需要将嵌套列表(即列表中包含列表)转换为一个一维的扁平列表的需求,本文将给大家介绍了多种实现这一目标的方法,需要的朋... 目录python中将嵌套列表扁平化的方法技术背景实现步骤1. 使用嵌套列表推导式2. 使用itert

Python使用pip工具实现包自动更新的多种方法

《Python使用pip工具实现包自动更新的多种方法》本文深入探讨了使用Python的pip工具实现包自动更新的各种方法和技术,我们将从基础概念开始,逐步介绍手动更新方法、自动化脚本编写、结合CI/C... 目录1. 背景介绍1.1 目的和范围1.2 预期读者1.3 文档结构概述1.4 术语表1.4.1 核

在Linux中改变echo输出颜色的实现方法

《在Linux中改变echo输出颜色的实现方法》在Linux系统的命令行环境下,为了使输出信息更加清晰、突出,便于用户快速识别和区分不同类型的信息,常常需要改变echo命令的输出颜色,所以本文给大家介... 目python录在linux中改变echo输出颜色的方法技术背景实现步骤使用ANSI转义码使用tpu

Python使用python-can实现合并BLF文件

《Python使用python-can实现合并BLF文件》python-can库是Python生态中专注于CAN总线通信与数据处理的强大工具,本文将使用python-can为BLF文件合并提供高效灵活... 目录一、python-can 库:CAN 数据处理的利器二、BLF 文件合并核心代码解析1. 基础合

Python使用OpenCV实现获取视频时长的小工具

《Python使用OpenCV实现获取视频时长的小工具》在处理视频数据时,获取视频的时长是一项常见且基础的需求,本文将详细介绍如何使用Python和OpenCV获取视频时长,并对每一行代码进行深入解析... 目录一、代码实现二、代码解析1. 导入 OpenCV 库2. 定义获取视频时长的函数3. 打开视频文

golang版本升级如何实现

《golang版本升级如何实现》:本文主要介绍golang版本升级如何实现问题,具有很好的参考价值,希望对大家有所帮助,如有错误或未考虑完全的地方,望不吝赐教... 目录golanwww.chinasem.cng版本升级linux上golang版本升级删除golang旧版本安装golang最新版本总结gola

SpringBoot中SM2公钥加密、私钥解密的实现示例详解

《SpringBoot中SM2公钥加密、私钥解密的实现示例详解》本文介绍了如何在SpringBoot项目中实现SM2公钥加密和私钥解密的功能,通过使用Hutool库和BouncyCastle依赖,简化... 目录一、前言1、加密信息(示例)2、加密结果(示例)二、实现代码1、yml文件配置2、创建SM2工具