Python NLTK：如何从csv文件创建语料库

我有一个csv文件作为

col1         col2      col3

some text    someID    some value
some text    someID    some value

在每一行中，col1对应于整个文档的文本。我想从这个csv创建一个语料库。我的目标是使用sklearn的TFIDFvectorier来计算文档相似度和关键字提取。所以考虑

tfidf = TfidfVectorizer(tokenizer=tokenize, stop_words='english')
tfs = tfidf.fit_transform(<my corpus here>)

如何使用nltk创建语料库？

---

语料库应该是什么形式/数据结构，以便提供给转换函数？

从

pandas

库中检出

read\u csv

。以下是文件：

您可以通过在命令行上运行

pip install pandas

来安装pandas。然后加载csv并选择该列应与以下操作一样简单：

data = pd.read_csv(path_to_csv)
docs = data['col1']

tfs = tfidf.fit_transform(docs)

---

谢谢你，但是这个方法并不准确。文档仍然是一个序列对象，而不是字符串列表。因此，我的fit_变换不起作用。有没有关于如何将dataframe列转换为值列表的想法？找到了。它应该是docs=data['col1'].tolist（）：）如果你更新你的答案，我会接受一个很好的调用，看起来将2d数组（数据帧）传递给

fit\u transform

不起作用。但是，1d数组应该可以工作，因此只需抓取带有

数据['col1']

的序列就足够了（无需将

序列

转换为

列表

）。已更新。恐怕我必须将其转换为列表。否则它仍然会收到熊猫。系列：）感谢您的帮助。您使用的是什么版本的熊猫和sklearn？该系列在sklearn

0.17

和pandas

0.17.0

上对我有效。

data = pd.read_csv(path_to_csv)
docs = data['col1']

tfs = tfidf.fit_transform(docs)