Python 2.7 如何将一组文档标记为unigram+;使用gensim的bigram BagofWord?
我知道通过使用scikit,我可以Python 2.7 如何将一组文档标记为unigram+;使用gensim的bigram BagofWord?,python-2.7,scikit-learn,gensim,Python 2.7,Scikit Learn,Gensim,我知道通过使用scikit,我可以 vectorizer = TfidfVectorizer(min_df=2,ngram_range=(1, 2),norm='l2') corpus = vectorizer.fit_transform(text) 这段代码。但是我怎样才能用gensim做到这一点呢?我想你可以看看UTIL的简单预处理 gensim.utils.simple\u预处理(doc,deacc=False,min\u len=2, max_len=15)将文档转换为令牌列表 这将
vectorizer = TfidfVectorizer(min_df=2,ngram_range=(1, 2),norm='l2')
corpus = vectorizer.fit_transform(text)
这段代码。但是我怎样才能用gensim做到这一点呢?我想你可以看看UTIL的简单预处理 gensim.utils.simple\u预处理(doc,deacc=False,min\u len=2, max_len=15)将文档转换为令牌列表 这将小写、标记化、去重音(可选)输出是 决赛
tokens=unicode字符串,不再进行进一步处理。使用
nltk
的everygrams
函数是一种很好的方法
from nltk import everygrams
text = 'I like playing baseball'
grams = ['_'.join(grams) for grams in list(everygrams(text, 1, 2))]
grams
>> ['I', 'like', 'playing', 'baseball', 'I_like', 'like_playing', 'playing_baseball']
这将在文本中创建所有uni和BIGRAM