Python 将word2vec放入具有数据帧结构的训练集中

我是NLP的begginer，我有一些关于分类任务的问题。我有一个数据帧结构的数据集，它包含两列，第一列是文本（所以字符串），第二列是每个测试的标签。比如说第一列x_列车和第二列y_列车。为了应用MLP，我可以使用以下代码

Tfidf_vect = TfidfVectorizer(max_features = 5000)

Tfidf_vect.fit(input_text)

Train_X_Tfidf = Tfidf_vect.transform(x_train)
Test_X_Tfidf = Tfidf_vect.transform(x_test)

---

我想尝试Word2Vec模型，但我不知道如何使用Word2Vec将训练数据转换为数字。然后我可以再次应用MLP模型。如果您能帮助我，我将不胜感激。

您所说的“使用Word2vec将我的培训数据转换为数字”是什么意思？如果您指的是获取给定文本的嵌入式表示，则可以使用。在文档中，您可以找到一些使用该模型的示例，您所说的“使用Word2vec将我的培训数据转换为数字”是什么意思？如果您指的是获取给定文本的嵌入式表示，则可以使用。在文档中，您可以找到一些使用模型的示例，这些示例来自：

最大功能int，默认值=无

如果没有，建立一个 只考虑通过频率的顺序排列的最大Max特征 语料库

这意味着基于您的文本，TfidfVectorizer将构建一个词汇表，其中包含最常见的“max_功能”标记（单词或字符）。例如，使用单词级别，将max_features设置为10，它会将文本中最常出现的10个单词作为其词汇表。至于你想使用多少功能，这取决于你文本中的字数。不过，最常见的选择是10000

---

至于你的第二个问题，除了Gensim的Word2Vec，你可以试试Keras嵌入层。tensorflow网站上发布了一篇很好的教程。

根据

最大功能int，默认值=无

如果没有，建立一个 只考虑通过频率的顺序排列的最大Max特征 语料库

这意味着基于您的文本，TfidfVectorizer将构建一个词汇表，其中包含最常见的“max_功能”标记（单词或字符）。例如，使用单词级别，将max_features设置为10，它会将文本中最常出现的10个单词作为其词汇表。至于你想使用多少功能，这取决于你文本中的字数。不过，最常见的选择是10000

---

至于你的第二个问题，除了Gensim的Word2Vec，你可以试试Keras嵌入层。tensorflow网站上发布了一个很好的教程。

我的意思是，我的原始数据框只包含文本，但为了使用MLP，我需要数字，因此我必须将训练集转换为嵌入式表示。我查阅了文档，但没有找到相关内容。我的意思是，我的原始数据框只包含文本，但为了使用MLP，我需要数字，因此我必须将训练集转换为嵌入式表示。我查阅了文件，但没有找到相关的东西。