勇闯机器学习(第四关-文本特征提取)

以下内容,皆为本人原创,制作不易,首先感谢各位阅读。

|-----------------|------------------------------------------------------------------------------------|
| 第一关:机器学习概念和流程 | http://t.csdnimg.cn/IuHh4 |
| 第二关:数据集的使用 | http://t.csdnimg.cn/2jsdi |
| 第三关:特征工程-字典特征提取 | http://t.csdnimg.cn/ZpMto |

一.文本特征提取

紧接上章节,这章节我们说如何将文本数据转为二维数组。方法如下:

作用:对文本数据进行特征值化

sklearn.feature_extraction.text.CountVectorizer(stop_words=[]) 返回词频矩阵

CountVectorizer.fit_transform(X) X:文本或者包含文本字符串的可迭代对象

返回值:返回sparse矩阵

CountVectorizer.inverse_transform(X) X:array数组或者sparse矩阵

返回值:转换之前数据格

CountVectorizer.get_feature_names() 返回值:单词列表

可能直接列出方法,有点困难,直接看代码和运行结果。

python 复制代码
from sklearn.feature_extraction.text import CountVectorizer

def count_demo():
    # 文本数据
    data = ['life is short, i want to study python',
           'life is long, i dislike c++']
    # 文本特征提取CountVectorizer
    # 实例化一个转换器类
    transfer = CountVectorizer()

    # 调用fit_transform
    data_new = transfer.fit_transform(data)
    print("data_new\n", data_new)
if __name__ == '__main__':
    count_demo()

我们可以看到这个data转换后的特征值不是特征数组,那我可以加一个toarray()方法。

观察第一个print里面,加了toarray()方法,就可以返回二维数组

python 复制代码
from sklearn.feature_extraction.text import CountVectorizer

def count_demo():
    # 文本数据
    data = ['life is short, i want to study python',
           'life is long, i dislike c++']
    # 文本特征提取CountVectorizer统计每个样本特征词出现的个数
    # 实例化一个转换器类
    transfer = CountVectorizer()

    # 调用fit_transform
    data_new = transfer.fit_transform(data)
    print("data_new\n", data_new.toarray())
    print("feature_names\n", transfer.get_feature_names_out())
if __name__ == '__main__':
    count_demo()

总结:

可以看到返回的二维数组中,是一些单词,也就是特征值。那里面的0和1是什么意思呢?

**CountVectorizer统计每个样本特征值出现的个数。**我们可以看到二维列表,它里面的元素是一维列表。一维列表里面的元素跟特征值的数量都是一样的,都是9个。这个0和1表示的是对应的。0代表这一组列表里没有这个单词,1则代表有一个。比如说dislike不在我们data的第一句话里,所以返回的二维列表里第一个元素就是0,代表第一句话没有这个词。

二维列表里面的数字,是特征值出现的次数。

二.中文数据特征提取

有了上面的基础,那我们直接看代码和运行结果,变化的地方就是数据变成中文了。

python 复制代码
from sklearn.feature_extraction.text import CountVectorizer

def count_chinese_demo():
    #中文文本数据
    data = ['我喜欢你', '你喜欢我吗']

    # 实例化转换器类
    transfer = CountVectorizer()

    data_new = transfer.fit_transform(data)
    print("data_new\n", data_new)
    print("feature_name\n", transfer.get_feature_names_out())

if __name__ == "__main__":
    count_chinese_demo()
内心感想:
特征值为什么是一句话呢, 像我们之前的英文句子(是由一个个英语单词组成,并且单词之间有空格),所以很轻易的提取。而我们的中文都是在一起的。所以就把整个句子当做特征值了。

将中文句子中间加几个空格就可以了。将数据换成这个。

python 复制代码
    data = ['我 喜欢 你', '你 喜欢 我吗']

OK,这次特征值,就发生了变化。

感谢大家的观看,今天的分享就到这里。

相关推荐
新智元43 分钟前
阿里王牌 Agent 横扫 SOTA,全栈开源力压 OpenAI!博士级难题一键搞定
人工智能·openai
新智元1 小时前
刚刚,OpenAI/Gemini 共斩 ICPC 2025 金牌!OpenAI 满分碾压横扫全场
人工智能·openai
机器之心1 小时前
OneSearch,揭开快手电商搜索「一步到位」的秘技
人工智能·openai
阿里云大数据AI技术1 小时前
2025云栖大会·大数据AI参会攻略请查收!
大数据·人工智能
YourKing2 小时前
yolov11n.onnx格式模型转换与图像推理
人工智能
sans_2 小时前
NCCL的用户缓冲区注册
人工智能
sans_2 小时前
三种视角下的Symmetric Memory,下一代HPC内存模型
人工智能
算家计算2 小时前
模糊高清修复真王炸!ComfyUI-SeedVR2-Kontext(画质修复+P图)本地部署教程
人工智能·开源·aigc
虫无涯2 小时前
LangSmith:大模型应用开发的得力助手
人工智能·langchain·llm
算家计算3 小时前
DeepSeek-R1论文登《自然》封面!首次披露更多训练细节
人工智能·资讯·deepseek