python - 如何从看不见的文档中的列表中识别术语
问题描述
给定一个可以由一个、两个甚至三个单词组成的预定义术语列表,问题是计算它们在具有自由词汇表(即很多单词)的一组文档中的出现次数。
terms= [
[t1],
[t2, t3],
[t4, t5, t6],
[t7],...]
需要识别本条款的文件格式为:
docs = [
[w1, w2, t1, w3, w4, t7], #d1
[w1, w4, t4, t5, t6, wi, ...], #d2
[wj, t7, ..] ..] #d3
所需的输出应该是
[2, 1, 1, ...]
也就是说,第一个文档有两个感兴趣的术语,第二个有 1(由三个单词组成)等等。
如果需要考虑 1 个单词长度的术语,那么我可以轻松地按字母顺序对每个文档进行排序,删除重复的术语(集合),然后与 1 个单词大小的术语相交。统计重复词为搜索结果。
但是对于长度 >=2 而言,事情变得很棘手。
我一直在使用 gensim 形成一个词袋并在使用新短语时检测索引
例如
dict_terms = corpora.Dictionary(phrases)
sentence = unseen_docs[0]
idxs = dict_terms[sentence]
然后考虑索引是否是连续的,然后计算所见的 idx,这意味着已经看到了一个术语,而不是其中的 2 o 3 个。
有什么建议么。
解决方案
在 Scikit-learn(一个非常流行的机器学习 Python 包)中有一个模块可以完全满足您的要求:
这是如何做到的:
首先安装sklearn
pip install scikit-learn
现在代码:
from sklearn.feature_extraction.text import CountVectorizer
vectorizer = CountVectorizer(ngram_range=(1, 3))
#Given your corpus is an iterable of strings, or a List of strings, for simplicity:
corpus = [...]
X = vectorizer.fit_transform(corpus)
print(X)
输出是一个大小为 mx n 的矩阵。例如:
[[0 1 1 1 0 0 1 0 1]
[0 2 0 1 0 1 1 0 1]
[1 0 0 1 1 0 1 1 1]
[0 1 1 1 0 0 1 0 1]]
列代表单词,行代表文档。因此,对于每一行,您都有生成的词袋。
但是如何检索哪些单词出现在哪里呢?您可以使用以下方法获取每个“列”名称:
print(vectorizer.get_feature_names())
您将获得一个单词列表(这些单词按字母顺序排列)。
现在,假设您想知道每个单词在您的语料库中出现的次数(而不是在单个文档中)。
您收到的输出矩阵是一个“numpy”(另一个包)数组。这可以通过执行以下操作轻松展平(总结所有行):
import numpy as np #np is like a convention for numpy, if you don't know this already.
sum_of_all_words = np.sum(X, axis=0)
这会给你类似的东西:
[[1 4 2 4 1 1 4 1 4]]
单词的列顺序相同。
最后,您可以通过执行以下操作过滤字典中的术语:
dict_terms = corpora.Dictionary(phrases)
counts = {}
words = vectorizer.get_feature_names()
for idx, word in enumerate(words):
if word in dict_terms:
counts[word] = sum_of_all_words[0, idx]
希望这可以帮助!
在此处阅读有关 CountVectorizer 的更多信息:https ://scikit-learn.org/stable/modules/generated/sklearn.feature_extraction.text.CountVectorizer.html#sklearn.feature_extraction.text.CountVectorizer
(另外,看看 TFIDFVectorizer,如果你使用的是词袋,tf-idf 在大多数情况下是一个巨大的升级)
我还建议您查看此页面以使用 sklearn 进行特征提取:https ://scikit-learn.org/stable/modules/feature_extraction.html
推荐阅读
- c++ - 将重物插入 std::map
- excel - Yii2:Kartik GridView Excel 导出
- python - 按时间间隔对 Pandas 数据帧数据进行分组
- amazon-web-services - 将 S3 对象复制到另一个 S3 位置 Elastic Beanstalk SSH 设置错误
- performance - 如果 Page Speed Insights 说一件事而 Search Console 说另一件事,如何找到累积布局转换问题
- python - Discord.py-Rewrite 使用后台任务循环状态
- postgresql - 如何在下表的PostgreSQL中将行转换为列
- python - 模型(功能)不返回 EagerTensor
- css - 根据我调用它的位置更改组件的背景颜色
- html - 页脚不在它应该在的地方