TfidfVectorizer 使用我自己的停用词字典

Question

我想问一下我是否可以使用我自己的停用词词典来代替 TfidfVectorizer 中已有的词典。我建立了一个更大的停用词词典，我更愿意使用它。但是我很难将它包含在下面的代码中（尽管显示了标准代码）。

def preprocessing(line):
    line = line.lower()
    line = re.sub(r"[{}]".format(string.punctuation), " ", line)
    return line

tfidf_vectorizer = TfidfVectorizer(preprocessor=preprocessing,stop_words_='english')
tfidf = tfidf_vectorizer.fit_transform(df["0"]['Words']) # multiple dataframes

kmeans = KMeans(n_clusters=2).fit(tfidf)

但我收到以下错误：

    TypeError: __init__() got an unexpected keyword argument 'stop_words_'

假设我的字典是：

stopwords["a","an", ... "been", "had",...]

我怎样才能包含它？

如有任何帮助，我们将不胜感激。

Answer 1

TfidfVectorizer 没有参数 'stop_words_'。

如果您有如下自定义 stop_words 列表：

smart_stoplist = ['a', 'an', 'the']

这样使用：

tfidf_vectorizer = TfidfVectorizer(preprocessor=preprocessing,stop_words=smart_stoplist)

Answer 2

对于您要执行的操作，这是一种更好的方法：请注意 TfidfVectorizer 有一个 Tokenizer 方法，它接受经过清理的单词数组。我想这也许对你有用！

from sklearn.feature_extraction.text import TfidfVectorizer
from sklearn.cluster import KMeans
import re
from nltk.tokenize import word_tokenize
from nltk.stem import WordNetLemmatizer
import nltk
from nltk.corpus import stopwords
nltk.download(['stopwords'])
# here you can add to stopword_list any other word that you want or define your own array_like stopwords_list
stop_words = stopwords.words('english')

def preprocessing(line):
    line = re.sub(r"[^a-zA-Z]", " ", line.lower())
    words = word_tokenize(line)
    words_lemmed = [WordNetLemmatizer().lemmatize(w) for w in words if w not in stop_words]
    return words_lemmed

tfidf_vectorizer = TfidfVectorizer(tokenizer=preprocessing)

tfidf = tfidf_vectorizer.fit_transform(df['Texts'])

kmeans = KMeans(n_clusters=2).fit(tfidf)

TfidfVectorizer 使用我自己的停用词字典

TfidfVectorizer using my own stopwords dictionary

python

tf-idf

tfidfvectorizer