使用 sklearn_pandas 为 k 均值聚类查找最重要的词

Question

我是 sklearn 的新手。我希望我的代码根据文本列和一些额外的分类变量使用 k-means 聚类对数据进行分组。 CountVectorizer 将文本转换为词袋，OneHotEncoder 将分类变量转换为虚拟变量集。

import pandas as pd
from sklearn.preprocessing import OneHotEncoder
from sklearn.feature_extraction.text import CountVectorizer
from sklearn_pandas import DataFrameMapper
from sklearn.cluster import MiniBatchKMeans

def import_vectorizer():   
    vectorizer = CountVectorizer(lowercase   = True,  
                             ngram_range = (1,1),
                             min_df      = .00005,  
                             max_df      = .01)
    return vectorizer

来自 sklearn_pandas 的 DataFrameMapper 结合了词袋和虚拟变量。

def get_X(df):
    mapper = DataFrameMapper(
        [
            ('text_col', import_vectorizer()),
            (['cat_col1', 'cat_col2', 'cat_col3', 'cat_col4'], OneHotEncoder())
        ]
    )
    return mapper.fit_transform(df)

预测组 I 运行

df = pd.read_json(mydata.json)
X = get_X(df)
kmeans = MiniBatchKMeans(n_clusters=50)
kmeans.fit(X)

现在我想看看哪些特征在预测组时最重要。有

行的帖子

print("Top terms per cluster:")
order_centroids = kmeans.cluster_centers_.argsort()[:, ::-1]
terms = vectorizer.get_feature_names()
for i in range(50):
    print("Cluster %d:" % i),
    for ind in order_centroids[i, :10]:
        print(' %s' % terms[ind])

但是，这在这种情况下不起作用，因为

terms = vectorizer.get_feature_names()

将只包含词袋中的特征名称，而不包含 OneHotEncoder 生成的特征名称。任何帮助将不胜感激。

Answer 1

郑重声明，我在阅读这篇文章后能够解决问题post。

修改后的get_X函数：

def get_X(df):
    mapper = DataFrameMapper(
        [
        ('text_col', import_vectorizer()),
        (['cat_col1', 'cat_col2', 'cat_col3', 'cat_col4'], OneHotEncoder())
       ]
    )

    X = mapper.fit_transform(df)
    X_cols = (
            mapper.features[0][1].get_feature_names()
            + mapper.features[1][1].get_feature_names().tolist()
            )
    return X, X_cols

然后运行下面的代码最后。

print("Top terms per cluster:")
order_centroids = kmeans.cluster_centers_.argsort()[:, ::-1]
for i in range(50):
    print("Cluster %d:" % i),
    for ind in order_centroids[i, :10]:
        print(' %s' % X_cols[ind])

使用 sklearn_pandas 为 k 均值聚类查找最重要的词

Find most important words for k-means clustering using sklearn_pandas

python

scikit-learn

k-means

sklearn-pandas