Python 如何从CountVectorizer输出中获取特定单词？

我已使用Sklearn CountVectorizer方法对文本数据集进行编码，例如：

c\u vec=countvectorier（停止字=stopwords）

其中停止字由

nltk

生成

我使用

output=c_vec.fit_transform（data）

对数据集进行编码。然后我想检查编码器正在做什么，然后运行

print（output）

，得到一个如下所示的打印输出：

（03744）3
(0, 4511) 2
(0, 4071) 2
(0, 1831) 1
(0, 4321) 2
(0, 8156) 2
(0, 7982) 1
(0, 2714) 1
(0, 2505) 1
...
(2394, 6070)  1
(2394, 8559)  2
(2394, 8087)  1
(2394, 7997)  8
(2394, 7827)  1
(2394, 5159)  5
(2394, 5396)  1 

我的理解是，对于

（03744）3

• 0

  是数据集中字符串的行号

• 3744

  是单词的编码

• 3

  是字符串中该单词的计数

---

但是，我希望能够看到哪个单词与

3744

相关。我已经阅读了Sklearn的文档，但看不到我在寻找什么。有什么建议吗？

TL；DR：

c_vec.get_feature_names（）[3744]

将完成您的工作；请阅读下面的详细信息

---

您的出发点是

.词汇表

属性[请参见末尾的编辑以获得更简单的方法]，根据，该属性提供了一个具有

术语到特征索引的映射

改编文档中的示例：

from sklearn.feature_extraction.text import CountVectorizer
corpus = [
    'This is the first document.',
    'This document is the second document.',
    'And this is the third one.',
    'Is this the first document?',
         ]
vectorizer = CountVectorizer()
X = vectorizer.fit_transform(corpus)

我们得到

print(X)

  (0, 8)    1
  (0, 3)    1
  (0, 6)    1
  (0, 2)    1
  (0, 1)    1
  (1, 8)    1
  (1, 3)    1
  (1, 6)    1
  (1, 1)    2
  (1, 5)    1
  (2, 8)    1
  (2, 3)    1
  (2, 6)    1
  (2, 0)    1
  (2, 7)    1
  (2, 4)    1
  (3, 8)    1
  (3, 3)    1
  (3, 6)    1
  (3, 2)    1
  (3, 1)    1

及

因此，现在的问题是如何找到具有给定值的字典键

从中修改

method3

（因为它似乎不适用于Python 3）：

我们得到：

get_term(vectorizer.vocabulary_, 8)
# 'this'

get_term(vectorizer.vocabulary_, 5)
# 'second'

i、 这正是你想要的

请注意，

get_term（）

函数将仅返回具有给定值的第一个键；然而，在这里的特定情况下，词典是一个词汇表，这不是一个问题，因为根据定义，值是唯一的，通过简单的检查可以很容易地确认

还要注意的是，尽管在上面链接的SO答案中有一些方法3的替代方法，但对于大型词典来说，上述方法是迄今为止速度最快的（就像现实世界语料库中的NLP应用程序一样）

编辑

正如Ben Reiniger在下面的评论中正确指出的那样，获取与文档术语矩阵

X

的

k

列相对应的词汇术语的更直接的方法是

get\u feature\u names（）的
k
元素：

TL；DR：
c_vec.get_feature_names（）[3744]
将完成您的工作；请阅读下面的详细信息


您的出发点是
.词汇表
属性[请参见末尾的编辑以获得更简单的方法]，根据，该属性提供了一个具有

术语到特征索引的映射

改编文档中的示例：

from sklearn.feature_extraction.text import CountVectorizer
corpus = [
    'This is the first document.',
    'This document is the second document.',
    'And this is the third one.',
    'Is this the first document?',
         ]
vectorizer = CountVectorizer()
X = vectorizer.fit_transform(corpus)

我们得到

print(X)

  (0, 8)    1
  (0, 3)    1
  (0, 6)    1
  (0, 2)    1
  (0, 1)    1
  (1, 8)    1
  (1, 3)    1
  (1, 6)    1
  (1, 1)    2
  (1, 5)    1
  (2, 8)    1
  (2, 3)    1
  (2, 6)    1
  (2, 0)    1
  (2, 7)    1
  (2, 4)    1
  (3, 8)    1
  (3, 3)    1
  (3, 6)    1
  (3, 2)    1
  (3, 1)    1

及

因此，现在的问题是如何找到具有给定值的字典键

从中修改
method3
（因为它似乎不适用于Python 3）：

我们得到：

get_term(vectorizer.vocabulary_, 8)
# 'this'

get_term(vectorizer.vocabulary_, 5)
# 'second'

i、 这正是你想要的

请注意，
get_term（）
函数将仅返回具有给定值的第一个键；然而，在这里的特定情况下，词典是一个词汇表，这不是一个问题，因为根据定义，值是唯一的，通过简单的检查可以很容易地确认

还要注意的是，尽管在上面链接的SO答案中有一些方法3

的替代方法，但对于大型词典来说，上述方法是迄今为止速度最快的（就像现实世界语料库中的NLP应用程序一样）

编辑

正如Ben Reiniger在下面的评论中正确指出的那样，获取与文档术语矩阵

X

的

k

列相对应的词汇术语的更直接的方法是

get\u feature\u names（）的
k
元素：

get\u feature\u names
已经在内部反转了
词汇表
，尽管它可能没有使用最有效的方法？..@BenReiniger似乎也正确，而且肯定更简单；没有检查效率，但如果效率较低，我会感到惊讶。您将发布一个答案，或者我将更新我的答案以包含这种可能性？
get\u feature\u names
已经在内部反转了
词汇表，尽管它可能没有使用最有效的方法？..@BenReiniger似乎也正确，而且肯定更简单；没有检查效率，但如果效率较低，我会感到惊讶。你会发布一个答案，或者我会更新我的答案以包含这种可能性？