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

pandas中位数填充空值的实现示例

《pandas中位数填充空值的实现示例》中位数填充是一种简单而有效的方法,用于填充数据集中缺失的值,本文就来介绍一下pandas中位数填充空值的实现,具有一定的参考价值,感兴趣的可以了解一下... 目录什么是中位数填充?为什么选择中位数填充?示例数据结果分析完整代码总结在数据分析和机器学习过程中,处理缺失数

Golang HashMap实现原理解析

《GolangHashMap实现原理解析》HashMap是一种基于哈希表实现的键值对存储结构,它通过哈希函数将键映射到数组的索引位置,支持高效的插入、查找和删除操作,:本文主要介绍GolangH... 目录HashMap是一种基于哈希表实现的键值对存储结构,它通过哈希函数将键映射到数组的索引位置,支持

Pandas使用AdaBoost进行分类的实现

《Pandas使用AdaBoost进行分类的实现》Pandas和AdaBoost分类算法,可以高效地进行数据预处理和分类任务,本文主要介绍了Pandas使用AdaBoost进行分类的实现,具有一定的参... 目录什么是 AdaBoost?使用 AdaBoost 的步骤安装必要的库步骤一:数据准备步骤二:模型

使用Pandas进行均值填充的实现

《使用Pandas进行均值填充的实现》缺失数据(NaN值)是一个常见的问题,我们可以通过多种方法来处理缺失数据,其中一种常用的方法是均值填充,本文主要介绍了使用Pandas进行均值填充的实现,感兴趣的... 目录什么是均值填充?为什么选择均值填充?均值填充的步骤实际代码示例总结在数据分析和处理过程中,缺失数

Java对象转换的实现方式汇总

《Java对象转换的实现方式汇总》:本文主要介绍Java对象转换的多种实现方式,本文通过实例代码给大家介绍的非常详细,对大家的学习或工作具有一定的参考借鉴价值,需要的朋友参考下吧... 目录Java对象转换的多种实现方式1. 手动映射(Manual Mapping)2. Builder模式3. 工具类辅助映

Go语言开发实现查询IP信息的MCP服务器

《Go语言开发实现查询IP信息的MCP服务器》随着MCP的快速普及和广泛应用,MCP服务器也层出不穷,本文将详细介绍如何在Go语言中使用go-mcp库来开发一个查询IP信息的MCP... 目录前言mcp-ip-geo 服务器目录结构说明查询 IP 信息功能实现工具实现工具管理查询单个 IP 信息工具的实现服

SpringBoot基于配置实现短信服务策略的动态切换

《SpringBoot基于配置实现短信服务策略的动态切换》这篇文章主要为大家详细介绍了SpringBoot在接入多个短信服务商(如阿里云、腾讯云、华为云)后,如何根据配置或环境切换使用不同的服务商,需... 目录目标功能示例配置(application.yml)配置类绑定短信发送策略接口示例:阿里云 & 腾

python实现svg图片转换为png和gif

《python实现svg图片转换为png和gif》这篇文章主要为大家详细介绍了python如何实现将svg图片格式转换为png和gif,文中的示例代码讲解详细,感兴趣的小伙伴可以跟随小编一起学习一下... 目录python实现svg图片转换为png和gifpython实现图片格式之间的相互转换延展:基于Py

Python利用ElementTree实现快速解析XML文件

《Python利用ElementTree实现快速解析XML文件》ElementTree是Python标准库的一部分,而且是Python标准库中用于解析和操作XML数据的模块,下面小编就来和大家详细讲讲... 目录一、XML文件解析到底有多重要二、ElementTree快速入门1. 加载XML的两种方式2.

Java的栈与队列实现代码解析

《Java的栈与队列实现代码解析》栈是常见的线性数据结构,栈的特点是以先进后出的形式,后进先出,先进后出,分为栈底和栈顶,栈应用于内存的分配,表达式求值,存储临时的数据和方法的调用等,本文给大家介绍J... 目录栈的概念(Stack)栈的实现代码队列(Queue)模拟实现队列(双链表实现)循环队列(循环数组