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

Python实现终端清屏的几种方式详解

《Python实现终端清屏的几种方式详解》在使用Python进行终端交互式编程时,我们经常需要清空当前终端屏幕的内容,本文为大家整理了几种常见的实现方法,有需要的小伙伴可以参考下... 目录方法一:使用 `os` 模块调用系统命令方法二:使用 `subprocess` 模块执行命令方法三:打印多个换行符模拟

SpringBoot+EasyPOI轻松实现Excel和Word导出PDF

《SpringBoot+EasyPOI轻松实现Excel和Word导出PDF》在企业级开发中,将Excel和Word文档导出为PDF是常见需求,本文将结合​​EasyPOI和​​Aspose系列工具实... 目录一、环境准备与依赖配置1.1 方案选型1.2 依赖配置(商业库方案)二、Excel 导出 PDF

Python实现MQTT通信的示例代码

《Python实现MQTT通信的示例代码》本文主要介绍了Python实现MQTT通信的示例代码,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... 目录1. 安装paho-mqtt库‌2. 搭建MQTT代理服务器(Broker)‌‌3. pytho

使用zip4j实现Java中的ZIP文件加密压缩的操作方法

《使用zip4j实现Java中的ZIP文件加密压缩的操作方法》本文介绍如何通过Maven集成zip4j1.3.2库创建带密码保护的ZIP文件,涵盖依赖配置、代码示例及加密原理,确保数据安全性,感兴趣的... 目录1. zip4j库介绍和版本1.1 zip4j库概述1.2 zip4j的版本演变1.3 zip4

python生成随机唯一id的几种实现方法

《python生成随机唯一id的几种实现方法》在Python中生成随机唯一ID有多种方法,根据不同的需求场景可以选择最适合的方案,文中通过示例代码介绍的非常详细,需要的朋友们下面随着小编来一起学习学习... 目录方法 1:使用 UUID 模块(推荐)方法 2:使用 Secrets 模块(安全敏感场景)方法

Spring StateMachine实现状态机使用示例详解

《SpringStateMachine实现状态机使用示例详解》本文介绍SpringStateMachine实现状态机的步骤,包括依赖导入、枚举定义、状态转移规则配置、上下文管理及服务调用示例,重点解... 目录什么是状态机使用示例什么是状态机状态机是计算机科学中的​​核心建模工具​​,用于描述对象在其生命

Spring Boot 结合 WxJava 实现文章上传微信公众号草稿箱与群发

《SpringBoot结合WxJava实现文章上传微信公众号草稿箱与群发》本文将详细介绍如何使用SpringBoot框架结合WxJava开发工具包,实现文章上传到微信公众号草稿箱以及群发功能,... 目录一、项目环境准备1.1 开发环境1.2 微信公众号准备二、Spring Boot 项目搭建2.1 创建

IntelliJ IDEA2025创建SpringBoot项目的实现步骤

《IntelliJIDEA2025创建SpringBoot项目的实现步骤》本文主要介绍了IntelliJIDEA2025创建SpringBoot项目的实现步骤,文中通过示例代码介绍的非常详细,对大家... 目录一、创建 Spring Boot 项目1. 新建项目2. 基础配置3. 选择依赖4. 生成项目5.

Linux下删除乱码文件和目录的实现方式

《Linux下删除乱码文件和目录的实现方式》:本文主要介绍Linux下删除乱码文件和目录的实现方式,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linux下删除乱码文件和目录方法1方法2总结Linux下删除乱码文件和目录方法1使用ls -i命令找到文件或目录

SpringBoot+EasyExcel实现自定义复杂样式导入导出

《SpringBoot+EasyExcel实现自定义复杂样式导入导出》这篇文章主要为大家详细介绍了SpringBoot如何结果EasyExcel实现自定义复杂样式导入导出功能,文中的示例代码讲解详细,... 目录安装处理自定义导出复杂场景1、列不固定,动态列2、动态下拉3、自定义锁定行/列,添加密码4、合并