这是我的代码,我有一个句子,我想在将它传递给TfidfVectorizer之前对它进行标记化和词干,以最终获得该句子的tf-idf表示:
from sklearn.feature_extraction.text import TfidfVectorizer
import nltk
from nltk.stem.snowball import SnowballStemmer
stemmer_ita = SnowballStemmer("italian")
def tokenizer_stemmer_ita(text):
return [stemmer_ita.stem(word) for word in text.split()]
def sentence_tokenizer_stemmer(text):
return " ".join([stemmer_ita.stem(word) for word in text.split()])
X_train = ['il libro è sul tavolo']
X_train = [sentence_tokenizer_stemmer(text) for text in X_train]
tfidf = TfidfVectorizer(preprocessor=None, tokenizer=None, use_idf=True, stop_words=None, ngram_range=(1,2))
X_train = tfidf.fit_transform(X_train)
# let's see the features
print (tfidf.get_feature_names())
我得到的输出是:
^{pr2}$如果我改变参数
tokenizer=None
收件人:
tokenizer=tokenizer_stemmer_ita
我评论这句话:
X_train = [sentence_tokenizer_stemmer(text) for text in X_train]
我希望得到相同的结果,但结果不同:
['il', 'il libr', 'libr', 'libr è', 'sul', 'sul tavol', 'tavol', 'è', 'è sul']
为什么?我是否正确地实现了外部词干分析器?似乎,至少,在第一次运行中,停止字(“è”)被删除,即使stopèwords=None。在
[编辑] 正如Vivek建议的那样,问题似乎出在默认的令牌模式上,当tokenizer=None时,它仍然会被应用。因此,如果a在tokenizer_stemmer_ita的开头添加以下两行:
token_pattern = re.compile(u'(?u)\\b\\w\\w+\\b')
text = " ".join( token_pattern.findall(text) )
我应该得到正确的行为,事实上,我是从上面这个简单的例子中得到的,但是对于另一个例子:
X_train = ['0.05%.\n\nVedete?']
我不知道,这两种输出是不同的:
['05', '05 ved', 'ved']
以及
['05', '05 vedete', 'vedete']
为什么?在这种情况下,问号似乎是问题所在,没有它,输出是相同的。在
[编辑2] 似乎我必须先停止,然后应用正则表达式,在这种情况下,两个输出是相同的。在
这是因为TfidfVectorizer中使用的默认标记器模式
token_pattern
:所以没有选择字符
è
。这个默认的
token_pattern
在标记器为None时使用,正如您所经历的那样。在相关问题 更多 >
编程相关推荐