文档的向量化

文档的向量化

0 CountVectorizer

from sklearn.feature_extraction.text import CountVectorizer
corpus = [
    'I like machine Learning.',
    'I love Deep Learning',
    'And i deep love Artificial Intelligence'
]

1 未经停用词过滤的文档向量化

vectorizer = CountVectorizer()
vectorizer.fit_transform(corpus).todense() # 转化为完整特征矩阵

在这里插入图片描述

vectorizer.vocabulary_

在这里插入图片描述

import pandas as pd

pd.Series(vectorizer.vocabulary_).plot.barh(title='Vectorizer_orignal')

在这里插入图片描述

2 经过停用词过滤后的文档向量化

import nltk 
nltk.download('stopwords')

停用词

stopwords = nltk.corpus.stopwords.words('english')
stopwords

在这里插入图片描述

vectorizer_english = CountVectorizer(stop_words='english')
vectorizer_english.fit_transform(corpus).todense()

在这里插入图片描述

vectorizer_english.vocabulary_

在这里插入图片描述

pd.Series(vectorizer_english.vocabulary_).plot.barh(title='vectorizer_english')

在这里插入图片描述

3 采用ngram模式进行文档向量化

ngram_range

vectorizer_ngrame = CountVectorizer(ngram_range=(1, 2))
vectorizer_ngrame.fit_transform(corpus).todense()

在这里插入图片描述

vectorizer_ngrame.vocabulary_

在这里插入图片描述

pd.Series(vectorizer_ngrame.vocabulary_).plot.barh('vectorizer_ngrame')

在这里插入图片描述

发布了50 篇原创文章 · 获赞 51 · 访问量 2490

猜你喜欢

转载自blog.csdn.net/hezuijiudexiaobai/article/details/104506307