如何将sklearn CountVectorizer与'；单词'；和'；char'；分析仪？-python

如何将sklearn CountVectorizer与“word”和“char”分析器一起使用？

我可以分别按word或char提取文本特征，但如何创建

charword\u矢量器

？有没有办法组合矢量器？或者使用多个分析仪

>>> from sklearn.feature_extraction.text import CountVectorizer
>>> word_vectorizer = CountVectorizer(analyzer='word', ngram_range=(1, 2), min_df=1)
>>> char_vectorizer = CountVectorizer(analyzer='char', ngram_range=(1, 2), min_df=1)
>>> x = ['this is a foo bar', 'you are a foo bar black sheep']
>>> word_vectorizer.fit_transform(x)
<2x15 sparse matrix of type '<type 'numpy.int64'>'
    with 18 stored elements in Compressed Sparse Column format>
>>> char_vectorizer.fit_transform(x)
<2x47 sparse matrix of type '<type 'numpy.int64'>'
    with 64 stored elements in Compressed Sparse Column format>
>>> char_vectorizer.get_feature_names()
[u' ', u' a', u' b', u' f', u' i', u' s', u'a', u'a ', u'ac', u'ar', u'b', u'ba', u'bl', u'c', u'ck', u'e', u'e ', u'ee', u'ep', u'f', u'fo', u'h', u'he', u'hi', u'i', u'is', u'k', u'k ', u'l', u'la', u'o', u'o ', u'oo', u'ou', u'p', u'r', u'r ', u're', u's', u's ', u'sh', u't', u'th', u'u', u'u ', u'y', u'yo']
>>> word_vectorizer.get_feature_names()
[u'are', u'are foo', u'bar', u'bar black', u'black', u'black sheep', u'foo', u'foo bar', u'is', u'is foo', u'sheep', u'this', u'this is', u'you', u'you are']

>>来自sklearn.feature\u extraction.text import countvectorier
>>>word\u矢量器=计数器矢量器（analyzer='word'，ngram\u range=（1,2），min\u df=1）
>>>字符向量器=计数向量器（analyzer='char'，ngram_range=（1,2），min_df=1）
>>>x=[“这是一家美食酒吧”，“你是一家美食酒吧的害群之马”]
>>>word_矢量器。拟合_变换（x）
>>>字符向量器.拟合变换（x）
>>>字符向量器。获取特征名称（）
[u'，u'a'，u'b'，u'f'，u'i'，u's'，u'a'，u'a'，u'ac'，u'ar'，u'b'，u'ba'，u'bl'，u'c'，u'c'，u'e'，u'ee'，u'ep'，u'f'，u'h'，u'he u'hi u'i'，u's'，u'k'，u'l'，u'la'，u'o'，u'o'，u'o'，u'r'，u'r'，u'r'，u's'，u's'，u's'，u's'，u's'，u't'，u'
>>>word\u矢量器。获取\u功能\u名称（）
[u'are'，u'are foo'，u'bar'，u'bar black'，u'black'，u'black sheep'，u'foo'，u'is'，u'is foo'，u'sheep'，u'this'，u'this'，u'you'，u'you'you']

您可以将callable作为

analyzer

参数传递，以获得对标记化的完全控制，例如

>>> from pprint import pprint
>>> import re
>>> x = ['this is a foo bar', 'you are a foo bar black sheep']
>>> def words_and_char_bigrams(text):
...     words = re.findall(r'\w{3,}', text)
...     for w in words:
...         yield w
...         for i in range(len(w) - 2):
...             yield w[i:i+2]
...             
>>> v = CountVectorizer(analyzer=words_and_char_bigrams)
>>> pprint(v.fit(x).vocabulary_)
{'ac': 0,
 'ar': 1,
 'are': 2,
 'ba': 3,
 'bar': 4,
 'bl': 5,
 'black': 6,
 'ee': 7,
 'fo': 8,
 'foo': 9,
 'he': 10,
 'hi': 11,
 'la': 12,
 'sh': 13,
 'sheep': 14,
 'th': 15,
 'this': 16,
 'yo': 17,
 'you': 18}

---

您可以将任意特征提取步骤与FeatureUnion估计器结合使用：

---

在这种情况下，这可能比larsmans的解决方案效率低，但可能更易于使用。

请原谅，什么是

r'\w{3，}

意思？它是否与

[a-zA-Z0-9.]

相同？@alvas:

\w

是

[a-zA-Z0-9.]

{3，}

表示“三个或更多”，因此它跳过短令牌。您可能想尝试使用不同的REs来捕获令牌；这是我的基准之一。