使用 sklearn 为 python 中的变量 n-gram 计算 TF-IDF

Question

问题：使用 scikit-learn 查找特定词汇表的可变 n-gram 的命中数。

说明。我从 here.

那里得到了例子

假设我有一个语料库，我想找出有多少命中（计数）具有如下词汇表：

myvocabulary = [(window=4, words=['tin', 'tan']),
                (window=3, words=['electrical', 'car'])
                (window=3, words=['elephant','banana'])

我这里所说的window是单词可以出现的单词跨度的长度。如下：

'tin tan'被击中（4字以内）

'tin dog tan'被击中（4字以内）

'tin dog cat tan 被击中（4个字以内）

'tin car sun eclipse tan' 未命中。 tin 和 tan 出现超过 4 个单词。

我只想计算 (window=4, words=['tin', 'tan']) 在文本中出现了多少次，其他的也一样然后将结果添加到 pandas 以计算 tf-idf 算法。我只能找到这样的东西：

from sklearn.feature_extraction.text import TfidfVectorizer
tfidf = TfidfVectorizer(vocabulary = myvocabulary, stop_words = 'english')
tfs = tfidf.fit_transform(corpus.values())

其中词汇表是一个简单的字符串列表，可以是单个单词或几个单词。

除了 scikitlearn:

class sklearn.feature_extraction.text.CountVectorizer
ngram_range : tuple (min_n, max_n)

要提取的不同 n-gram 的 n 值范围的下限和上限。将使用满足 min_n <= n <= max_n 的所有 n 值。

也无济于事。

有什么想法吗？谢谢。

Answer 1

我不确定是否可以使用 CountVectorizer 或 TfidfVectorizer 来完成。我已经编写了自己的函数来执行此操作，如下所示：

import pandas as pd
import numpy as np
import string 

def contained_within_window(token, word1, word2, threshold):
  word1 = word1.lower()
  word2 = word2.lower()
  token = token.translate(str.maketrans('', '', string.punctuation)).lower()
  if (word1 in token) and word2 in (token):
      word_list = token.split(" ")
      word1_index = [i for i, x in enumerate(word_list) if x == word1]
      word2_index = [i for i, x in enumerate(word_list) if x == word2]
      count = 0
      for i in word1_index:
        for j in word2_index:
          if np.abs(i-j) <= threshold:
            count=count+1
      return count
  return 0

SAMPLE:

corpus = [
    'This is the first document. And this is what I want',
    'This document is the second document.',
    'And this is the third one.',
    'Is this the first document?',
    'I like coding in sklearn',
    'This is a very good question'
]

df = pd.DataFrame(corpus, columns=["Test"])

您的 df 将如下所示：

    Test
0   This is the first document. And this is what I...
1   This document is the second document.
2   And this is the third one.
3   Is this the first document?
4   I like coding in sklearn
5   This is a very good question

现在您可以按如下方式申请contained_within_window：

sum(df.Test.apply(lambda x: contained_within_window(x,word1="this", word2="document",threshold=2)))

你得到：

您可以运行一个 for 循环来检查不同的实例。你用这个来构建你的 pandas df 并在其上应用 TfIdf，这很简单。

希望对您有所帮助！

使用 sklearn 为 python 中的变量 n-gram 计算 TF-IDF

Calculate TF-IDF using sklearn for variable-n-grams in python

python

text

scikit-learn

tf-idf

n-gram