在Python中结合CountVectorizer和ngrams

问题描述 投票:1回答:1

有一项任务是使用ngrams对男性和女性的名字进行分类。所以,有一个数据帧,如:

    name    is_male
Dorian      1
Jerzy       1
Deane       1
Doti        0
Betteann    0
Donella     0

具体的重新计划是使用

from nltk.util import ngrams

为此任务,创建ngrams(n = 2,3,4)

我制作了一个名单,然后使用了ngrams:

from nltk.util import ngrams
from sklearn.feature_extraction.text import CountVectorizer
count_vect = CountVectorizer()

test_ngrams = []
for name in name_list:
    test_ngrams.append(list(ngrams(name,3)))

现在我需要以某种方式将所有这些用于分类,我试试

X_train = count_vect.fit_transform(test_ngrams)

收到:

AttributeError: 'list' object has no attribute 'lower'

我知道列表输入的类型是错误的,有人可以解释我应该怎么做,所以我以后可以使用MultinomialNB。我是以正确的方式做到的吗?提前致谢!

python scikit-learn nltk countvectorizer
1个回答
3
投票

您正在将一系列列表传递给矢量化器,这就是您收到AttributeError的原因。相反,您应该传递一个可迭代的字符串。来自CountVectorizer documentation

fit_transform(raw_documents,y = None)

学习词汇词典并返回术语 - 文档矩阵。

这相当于fit后跟变换,但更有效地实现。

参数:raw_documents:iterable

可迭代产生str,unicode或文件对象。

要回答你的问题,CountVectorizer能够通过使用ngram_range创建N-gram(以下产生bigrams):

count_vect = CountVectorizer(ngram_range=(2,2))

corpus = [
    'This is the first document.',
    'This is the second second document.',
]
X = count_vect.fit_transform(corpus)

print(count_vect.get_feature_names())
['first document', 'is the', 'second document', 'second second', 'the first', 'the second', 'this is']

更新:

由于您提到必须使用NLTK生成ngrams,因此我们需要覆盖CountVectorizer的部分默认行为。即,将原始字符串转换为特征的analyzer

analyzer:string,{'word','char','char_wb'}或callable

[...]

如果传递了一个callable,它将用于从原始未处理的输入中提取特征序列。

由于我们已经提供了ngrams,因此身份函数就足够了:

count_vect = CountVectorizer(
    analyzer=lambda x:x
)

结合NLTK ngrams和CountVectorizer的完整示例:

corpus = [
    'This is the first document.',
    'This is the second second document.',
]

def build_ngrams(text, n=2):
    tokens = text.lower().split()
    return list(nltk.ngrams(tokens, n))

corpus = [build_ngrams(document) for document in corpus]

count_vect = CountVectorizer(
    analyzer=lambda x:x
)

X = count_vect.fit_transform(corpus)
print(count_vect.get_feature_names())
[('first', 'document.'), ('is', 'the'), ('second', 'document.'), ('second', 'second'), ('the', 'first'), ('the', 'second'), ('this', 'is')]
© www.soinside.com 2019 - 2024. All rights reserved.