将令牌传递给CountVectorizer

问题描述 投票:5回答:3

我有一个文本分类问题,我有两种类型的功能:

  • n-gram的特征(由CountVectorizer提取)
  • 其他文本特征(例如,来自给定词典的单词的存在)。这些特征与n-gram不同,因为它们应该是从文本中提取的任何n-gram的一部分。

这两种类型的特征都是从文本的标记中提取的。我只想运行一次标记化,然后将这些标记传递给CountVectorizer和其他存在特征提取器。所以,我想将一个令牌列表传递给CountVectorizer,但只接受一个字符串作为某个样本的表示。有没有办法传递一系列令牌?

scikit-learn tokenize
3个回答
4
投票

总结@ user126350和@miroli以及这个link的答案:

from sklearn.feature_extraction.text import CountVectorizer

def dummy(doc):
    return doc

cv = CountVectorizer(
    tokenizer=dummy,
    preprocessor=dummy,
)  

docs = [
    ['hello', 'world', '.'],
    ['hello', 'world'],
    ['again', 'hello', 'world']
]

cv.fit(docs)
cv.get_feature_names()
# ['.', 'again', 'hello', 'world']

要记住的一件事是在调用transform()函数之前将新的标记化文档包装到列表中,以便将其作为单个文档处理,而不是将每个标记解释为文档:

new_doc = ['again', 'hello', 'world', '.']
v_1 = cv.transform(new_doc)
v_2 = cv.transform([new_doc])

v_1.shape
# (4, 4)

v_2.shape
# (1, 4)

2
投票

通常,您可以将自定义tokenizer参数传递给CountVectorizer。标记生成器应该是一个接受字符串并返回其标记数组的函数。但是,如果您已经在数组中使用了令牌,则可以使用一些任意键简单地创建令牌数组的字典,并让令牌生成器从该字典返回。然后,当您运行CountVectorizer时,只需传递您的字典键。例如,

 # arbitrary token arrays and their keys
 custom_tokens = {"hello world": ["here", "is", "world"],
                  "it is possible": ["yes it", "is"]}

 CV = CountVectorizer(
      # so we can pass it strings
      input='content',
      # turn off preprocessing of strings to avoid corrupting our keys
      lowercase=False,
      preprocessor=lambda x: x,
      # use our token dictionary
      tokenizer=lambda key: custom_tokens[key])

 CV.fit(custom_tokens.keys())

0
投票

与user126350的答案类似,但更简单,这就是我所做的。

def do_nothing(tokens):
    return tokens

pipe = Pipeline([
    ('tokenizer', MyCustomTokenizer()),
    ('vect', CountVectorizer(tokenizer=do_nothing,
                             preprocessor=None,
                             lowercase=False))
])

doc_vects = pipe.transform(my_docs)  # pass list of documents as strings
© www.soinside.com 2019 - 2024. All rights reserved.