获取特定 类 个 n-gram

Question

我有一个推文数据集，每条推文都标记为讨厌 (1) 或不讨厌 (0)。我使用 [3,4] 字符 n-grams 词袋（sklearn 的 CountVectorizer）对数据进行矢量化，我想提取最常见的每个 class 的 n-gram。以下代码有效，但它概括了整个数据，而不是关注 classes 本身。

bag_of_words = CountVectorizer(
    ngram_range =(3,4),
    analyzer='char'
)

bag_of_words_mx = bag_of_words.fit_transform(X)

vocab = bag_of_words.vocabulary_
count_values = bag_of_words_mx.toarray().sum(axis=0)

# output n-grams
for ng_count, ng_text in sorted([(count_values[i],k) for k,i in vocab.items()]):
    if ng_count > 1:
        print(ng_count, ng_text)

有没有办法按 class 以某种方式对词汇表进行排序？

Answer 1

尝试 bag_of_words_mx[y == 0] 和 bag_of_words_mx[y == 1]，其中 y 是包含目标变量的数组。