如何让 TfidfVectorizer 只学习字母字符作为词汇的一部分（不包括数字）

Question

我正在尝试使用 SkLearn 的 TfidfVectorizer 提取一元词、二元词和三元词的词汇表。这是我当前的代码：

 max_df_param =  .003
 use_idf = True

 vectorizer = TfidfVectorizer(max_df = max_df_param, stop_words='english', ngram_range=(1,1), max_features=2000, use_idf=use_idf)
 X = vectorizer.fit_transform(dataframe[column])
 unigrams = vectorizer.get_feature_names()

 vectorizer = TfidfVectorizer(max_df = max_df_param, stop_words='english', ngram_range=(2,2), max_features=max(1, int(len(unigrams)/10)), use_idf=use_idf)
 X = vectorizer.fit_transform(dataframe[column])
 bigrams = vectorizer.get_feature_names()

 vectorizer = TfidfVectorizer(max_df = max_df_param, stop_words='english', ngram_range=(3,3), max_features=max(1, int(len(unigrams)/10)), use_idf=use_idf)
 X = vectorizer.fit_transform(dataframe[column])
 trigrams = vectorizer.get_feature_names()

 vocab = np.concatenate((unigrams, bigrams, trigrams))

但是，我想避免数字和包含数字的单词并且当前输出包含诸如“0 101 110 12 15日 16日 180度 180d 18号 190 1900 1960年代 197 1980 1b 20 200 200a 2d 3d 416 第四名 50 7a 7b"

我尝试使用 token_pattern 参数和以下 regex 仅包含字母字符的单词：

vectorizer = TfidfVectorizer(max_df = max_df_param, 
                            token_pattern=u'(?u)\b\^[A-Za-z]+$\b', 
                            stop_words='english', ngram_range=(1,1), max_features=2000, use_idf=use_idf)

但是这个returns：ValueError: empty vocabulary; perhaps the documents only contain stop words

我也试过但我仍然遇到同样的错误。

我的正则表达式不正确吗？还是我使用 TfidfVectorizer 不正确？（我也尝试删除 max_features 参数）

谢谢！

Answer 1

那是因为你的正则表达式是错误的。

1) 您正在使用 ^ 和 $ 来表示字符串的开始和结束。这意味着这个模式将只匹配其中只有字母的完整字符串（没有数字，没有空格，没有其他特殊字符）。你不想要那个。所以删除它。

在此处查看有关特殊字符的详细信息：https://docs.python.org/3/library/re.html#regular-expression-syntax

2) 您正在使用原始正则表达式模式而没有转义反斜杠，反斜杠本身将用于转义其后的字符。因此，当与 python 中的正则表达式结合使用时，这将无效。您可以使用双反斜杠而不是单个反斜杠来正确格式化字符串，也可以使用 r 前缀。

3) u 前缀用于 unicode。除非您的正则表达式模式具有特殊的 unicode 字符，否则也不需要。在此处查看更多相关信息：Python regex - r prefix

所以最后你的正确 token_pattern 应该是：

token_pattern=r'(?u)\b[A-Za-z]+\b'

如何让 TfidfVectorizer 只学习字母字符作为词汇的一部分（不包括数字）

How to make TfidfVectorizer only learn alphabetical characters as part of the vocabulary (exclude numbers)

regex

tfidfvectorizer