python学智能算法(十五)|机器学习朴素贝叶斯方法进阶-CountVectorizer多文本处理

【1】引言

前序学习进程中,已经学习CountVectorizer文本处理的简单技巧,先相关文章链接为:

python学智能算法(十四)|机器学习朴素贝叶斯方法进阶-CountVectorizer文本处理简单测试-CSDN博客

此次继续深入,研究多文本的综合处理。

【2】代码测试

首先相对于单文本测试,直接将文本改成多行文本:

python 复制代码
# 引入必要的模块
from sklearn.feature_extraction.text import CountVectorizer

# 单个文档
document = ["Python programming is fun and useful for data science.",
            "Python is a great programming language for data science.",
            "Data science uses Python for machine learning and AI.",
            "AI and machine learning are fun with Python.",
            "AI is popular at this time."
            ]

# 创建向量化器
vectorizer = CountVectorizer()
print('vetorizer=', vectorizer)
# 拟合并转换文档
X = vectorizer.fit_transform(document)
print('X=', X)
# 查看词汇表
print("词汇表:\n", vectorizer.get_feature_names_out())

# 查看向量表示
print("向量表示:\n", X.toarray())

尝试运行一下:

X= (0, 14) 1

(0, 13) 1

(0, 8) 1

(0, 6) 1

(0, 1) 1

(0, 18) 1

(0, 5) 1

(0, 4) 1

(0, 15) 1

(1, 14) 1

(1, 13) 1

(1, 8) 1

(1, 5) 1

(1, 4) 1

(1, 15) 1

(1, 7) 1

(1, 9) 1

(2, 14) 1

(2, 1) 1

(2, 5) 1

(2, 4) 1

(2, 15) 1

(2, 19) 1

(2, 11) 1

(2, 10) 1

(2, 0) 1

(3, 14) 1

(3, 6) 1

(3, 1) 1

(3, 11) 1

(3, 10) 1

(3, 0) 1

(3, 2) 1

(3, 20) 1

(4, 8) 1

(4, 0) 1

(4, 12) 1

(4, 3) 1

(4, 16) 1

(4, 17) 1

词汇表:

'ai' 'and' 'are' 'at' 'data' 'for' 'fun' 'great' 'is' 'language' 'learning' 'machine' 'popular' 'programming' 'python' 'science' 'this' 'time' 'useful' 'uses' 'with'

向量表示:

\[0 1 0 0 1 1 1 0 1 0 0 0 0 1 1 1 0 0 1 0 0

0 0 0 0 1 1 0 1 1 1 0 0 0 1 1 1 0 0 0 0 0

1 1 0 0 1 1 0 0 0 0 1 1 0 0 1 1 0 0 0 1 0

1 1 1 0 0 0 1 0 0 0 1 1 0 0 1 0 0 0 0 0 1

1 0 0 1 0 0 0 0 1 0 0 0 1 0 0 0 1 1 0 0 0\]

最开始的X出现"(0,14),1"解读:

0表示(Python programming is fun and useful for data science.)是第0行样本,实际上从1开始计数是第1行样本;

14表示样本中的第一个词,也就是Python,在按照所有文本中所有单词首字母顺序排列后,将位于第14号位置,实际上从1开始计数是第15个,后面的1表示Python这个词在第0行样本中出现了一次。

其余数据意义类似。

输出的词汇表是将所有文本中所有单词首字母顺序排列后获得的结果。

向量表示则按照行的形式,将每一行的列数都扩充或者说是广播到所有文本中所有单词合并同类项后的数量,所有单词合并同类项后刚好是17个数据,所以每一行都有17个数据,在对应行样本中未出现的词就会自动计数0。

【3】总结

使用CountVectorizer开展了多文简单测试。

相关推荐
FreeBuf_1 小时前
从“策略对抗”到“模型对抗”:朴智平台如何重塑金融风控新范式?
大数据·人工智能
GJGCY3 小时前
金融智能体的技术底座解析:AI Agent如何实现“认知+执行”闭环?
人工智能·经验分享·ai·金融·自动化
SteveRocket3 小时前
Python机器学习与数据分析教程之pandas
python·机器学习·数据分析
koo3644 小时前
李宏毅机器学习笔记32
人工智能·笔记·机器学习
材料科学研究4 小时前
机器学习催化剂设计!
深度学习·机器学习·orr·催化剂·催化剂设计·oer
材料科学研究4 小时前
机器学习锂离子电池!预估电池!
深度学习·机器学习·锂离子电池·电池·电池健康·电池管理·电池寿命
长桥夜波4 小时前
机器学习日报04
人工智能·机器学习
Cathyqiii5 小时前
Diffusion-TS:一种基于季节性-趋势分解与重构引导的可解释时间序列扩散模型
人工智能·神经网络·1024程序员节
数字冰雹5 小时前
数字孪生技术 重构 智能仓储新生态
人工智能·重构
bulucc6 小时前
一个简答的意图识别Agent
python·大模型·agent