在 Python 中结合 CountVectorizer 和 ngrams

Question

有一个任务是使用 ngrams 对男性和女性的名字进行分类。所以，有一个像这样的数据框：

    name    is_male
Dorian      1
Jerzy       1
Deane       1
Doti        0
Betteann    0
Donella     0

具体要求是使用

from nltk.util import ngrams

为此任务，创建 ngram (n=2,3,4)

我做了一个名字列表，然后使用 ngrams:

from nltk.util import ngrams
from sklearn.feature_extraction.text import CountVectorizer
count_vect = CountVectorizer()

test_ngrams = []
for name in name_list:
    test_ngrams.append(list(ngrams(name,3)))

现在我需要以某种方式对所有这些进行矢量化以用于分类，我尝试

X_train = count_vect.fit_transform(test_ngrams)

收到：

AttributeError: 'list' object has no attribute 'lower'

我知道这里的列表是错误的输入类型，有人能解释一下我应该怎么做吗，这样我以后就可以使用 MultinomialNB，例如。我这样做完全正确吗？提前致谢！

Answer 1

您正在将一系列列表传递给矢量化器，这就是您收到 AttributeError 的原因。相反，您应该传递一个可迭代的字符串。来自 CountVectorizer documentation:

fit_transform(raw_documents, y=None)

Learn the vocabulary dictionary and return term-document matrix.

This is equivalent to fit followed by transform, but more efficiently implemented.

Parameters: raw_documents : iterable

An iterable which yields either str, unicode or file objects.

为了回答您的问题，CountVectorizer 能够使用 ngram_range 创建 N 元语法（以下生成二元语法）：

count_vect = CountVectorizer(ngram_range=(2,2))

corpus = [
    'This is the first document.',
    'This is the second second document.',
]
X = count_vect.fit_transform(corpus)

print(count_vect.get_feature_names())
['first document', 'is the', 'second document', 'second second', 'the first', 'the second', 'this is']

更新：

既然您提到您必须使用 NLTK 生成 ngram，我们需要覆盖 CountVectorizer 的部分默认行为。即，将原始字符串转换为特征的 analyzer：

analyzer : string, {‘word’, ‘char’, ‘char_wb’} or callable

[...]

If a callable is passed it is used to extract the sequence of features out of the raw, unprocessed input.

由于我们已经提供了 ngrams，所以身份函数就足够了：

count_vect = CountVectorizer(
    analyzer=lambda x:x
)

结合 NLTK ngrams 和 CountVectorizer 的完整示例：

corpus = [
    'This is the first document.',
    'This is the second second document.',
]

def build_ngrams(text, n=2):
    tokens = text.lower().split()
    return list(nltk.ngrams(tokens, n))

corpus = [build_ngrams(document) for document in corpus]

count_vect = CountVectorizer(
    analyzer=lambda x:x
)

X = count_vect.fit_transform(corpus)
print(count_vect.get_feature_names())
[('first', 'document.'), ('is', 'the'), ('second', 'document.'), ('second', 'second'), ('the', 'first'), ('the', 'second'), ('this', 'is')]

在 Python 中结合 CountVectorizer 和 ngrams

Combining CountVectorizer and ngrams in Python

python

nltk

scikit-learn

countvectorizer