从数据框中提取文本特征

Question

我有带有两个文本字段的数据框和类似这种格式的其他功能：

 message            feature_1      feature_2       score        text
 'This is the text'     4             7            10          extra text
 'This is more text'    3             2            8           and this is another text

现在我的目标是预测分数，在尝试将此数据帧转换为特征矩阵以将其输入我的机器学习模型时，这是我所做的：

    # Create vectorizer for function to use
    vectorizer = TfidfVectorizer()
    # combine the numerical features with the TFIDF generated matrix
    X = sp.sparse.hstack( (vectorizer.fit_transform(df.message),
                      df[['feature_1', 'feature_2']].values, vectorizer.fit_transform(df.text)),
                      format='csr')

现在打印我的 X 矩阵的形状时我得到 2x13，但是当我像这样检查 X_columsn 时：

X_columns = vectorizer.get_feature_names() + df[['feature_1', 'feature_2']].columns.tolist()

我没有得到语料库中的所有单词，它只给我 df.text 中存在的单词和 df.message 中没有单词的其他特征属性。

['and', 'another', 'extra', 'is', 'text', 'this', 'feature_1', 'feature_2']

如何让 X 包含我所有的数据框特征！！

Answer 1

作为一般规则，将矢量化器应用于整个文本语料库以计算词汇量，然后将所有文本转换为矢量。

您两次拟合矢量化器，因此第二次调用 fit_transform 会覆盖第一次并相应地更新词汇表。首先尝试在两个文本字段上进行拟合以计算整个语料库的词汇量，然后转换每个文本字段，如下所示：

from sklearn.feature_extraction.text import TfidfVectorizer
import scipy as sp

vectorizer = TfidfVectorizer()
vectorizer.fit(df.message.append(df.text))
X = sp.sparse.hstack( (vectorizer.transform(df.message),
                 df[['feature_1', 'feature_2']].values, vectorizer.transform(df.text)),
                 format='csr')

X_columns = vectorizer.get_feature_names() + df[['feature_1', 'feature_2']].columns.tolist()

这给了我：

X_columns
Out[51]: ['and', 'another', 'extra', 'is', 'more', 'text', 'the', 'this', 'feature_1', 'feature_2']

这就是你想要的吗？

从数据框中提取文本特征

Extract text features from dataframe

python

nlp

feature-extraction

tf-idf

dataframe