Python：CountVectorizer 上的 ValueError。 Series 的真值是不明确的
Python: ValueError on CountVectorizer. The truth value of a Series is ambiguous
我有这个数据集，我正在尝试使用 sklearn CountVectorizer 从中生成词袋，但它抛出了这个错误
ValueError: The truth value of a Series is ambiguous. Use a.empty, a.bool(), a.item(), a.any() or a.all().
我该如何解决这个问题？
这是我的代码：
Token = df['Token']
from sklearn.feature_extraction.text import CountVectorizer
count_vector = CountVectorizer(Token)
count_vector.fit(Token)
count_vector.get_feature_names()
doc_array = count_vector.transform(Token).toarray()
doc_array
这是完整的回溯
---------------------------------------------------------------------------
ValueError Traceback (most recent call last)
<ipython-input-166-56827f6e68fa> in <module>()
----> 1 count_vector.fit(Token)
2 count_vector.get_feature_names()
3 doc_array = count_vector.transform(Token).toarray()
4 doc_array
C:\Users\ACER\Anaconda3\lib\site-packages\sklearn\feature_extraction\text.py in fit(self, raw_documents, y)
1022 self
1023 """
-> 1024 self.fit_transform(raw_documents)
1025 return self
1026
C:\Users\ACER\Anaconda3\lib\site-packages\sklearn\feature_extraction\text.py in fit_transform(self, raw_documents, y)
1056
1057 vocabulary, X = self._count_vocab(raw_documents,
-> 1058 self.fixed_vocabulary_)
1059
1060 if self.binary:
C:\Users\ACER\Anaconda3\lib\site-packages\sklearn\feature_extraction\text.py in _count_vocab(self, raw_documents, fixed_vocab)
968 for doc in raw_documents:
969 feature_counter = {}
--> 970 for feature in analyze(doc):
971 try:
972 feature_idx = vocabulary[feature]
C:\Users\ACER\Anaconda3\lib\site-packages\sklearn\feature_extraction\text.py in <lambda>(doc)
350 tokenize)
351 return lambda doc: self._word_ngrams(
--> 352 tokenize(preprocess(self.decode(doc))), stop_words)
353
354 else:
C:\Users\ACER\Anaconda3\lib\site-packages\sklearn\feature_extraction\text.py in decode(self, doc)
130 The string to decode
131 """
--> 132 if self.input == 'filename':
133 with open(doc, 'rb') as fh:
134 doc = fh.read()
C:\Users\ACER\AppData\Roaming\Python\Python37\site-packages\pandas\core\generic.py in __nonzero__(self)
1476 raise ValueError("The truth value of a {0} is ambiguous. "
1477 "Use a.empty, a.bool(), a.item(), a.any() or a.all()."
-> 1478 .format(self.__class__.__name__))
1479
1480 __bool__ = __nonzero__
ValueError: The truth value of a Series is ambiguous. Use a.empty, a.bool(), a.item(), a.any() or a.all().
在标记化之前我也尝试过使用干净的数据集，但它也return同样的错误
编辑：这是 df 输出
Token Sentimen
0 ['pilihanny', 'sekolah', 'online', 'offlineken... 0
1 ['mentang', 'sekolah', 'online', ''] 0
2 ['terimakasih', 'ya', 'umat', 'kristiani', 'be... 0
3 ['sekolah', 'online', 'tambah', 'rantai', 'cov... 0
4 ['kaya', 'kakak', 'kakak', 'ni', 'jd', 'tumbal... 0
5 ['klian', 'sekolah', 'online', '', 'daring', '... 0
6 ['ga', 'raja', 'udh', 'taun', 'ak', 'sekolah',... 0
7 ['wkwkwk', 'biar', 'hemat', 'nder', 'sekolah',... 0
8 ['tau', 'tuh', 'jarang', 'gerak', 'sekolah', '... 0
9 ['saking', 'lam', 'sekolah', 'online', 'sampe'... 0
10 ['sebenernya', 'dalem', 'giat', 'tuh', 'kayak'... 1
11 ['pagi', 'telpon', 'ibuk', 'camer', 'wkwkw', '... 1
12 ['ow', 'ya', 'sekolah', 'tekan', 'banget', 'an... 1
13 ['pd', 'gak', 'takut', 'ya', 'anak', 'tular', ... 1
14 ['efek', 'anak', 'addict', 'teknologi', '', 'o... 1
15 ['pikir', 'pikir', 'mending', 'sekolah', 'onli... 1
16 ['udah', 'nyaman', 'sekolah', 'online', 'gimna... 1
17 ['ajar', '', 'saran', 'ku', 'kalo', 'udh', 'la... 1
18 ['produktif', 'sekolah', 'online', '', 'i', 'c... 1
19 ['online', 'aja', 'yg', 'beli', 'saham', 'bei'... 1
20 ['solusi', '', 'biar', 'anak', 'anak', 'sekola... 2
...
编辑 2：添加了我的干净数据集。我已经尝试将 'Preprocess' 传递给 CountVectorizer，但它仍然 return 是相同的错误
tweet Sentimen Preprocess
0 Sampai sekarang pilihanny hanya sekolah online... 0 sampai sekarang pilihanny hanya sekolah online...
1 @shizunecarla mentang-mentang sekolah online :) 0 mentang-mentang sekolah online :)
2 @jehianps Terimakasih Ya Umat Kristiani berkat... 0 terimakasih ya umat kristiani berkat kalian s...
3 sekolah masih online, supaya tidak menambah ra... 0 sekolah masih online, supaya tidak menambah ra...
4 @cirokuchan kayanya seluruh kakak kakak ni jd ... 0 kayanya seluruh kakak kakak ni jd tumbal pas ...
5 klian yang sekolah online / daring waktu pel p... 0 klian yang sekolah online / daring waktu pel p...
6 @jaejenay ga keraja udh setaun ak sekolah onli... 0 ga keraja udh setaun ak sekolah online km do...
7 @subtanyarl Wkwkwk biar lebih hemat lah nder, ... 0 wkwkwk biar lebih hemat lah nder, apalagi sek...
8 @gbiyel Ketauan tuh jarang bergerak, pasti sek... 0 ketauan tuh jarang bergerak, pasti sekolah on...
9 @innerchild_ug saking lamnya sekolah online sa... 0 saking lamnya sekolah online sampe lupa tangg...
10 @schfess Sebenernya didalem kegiatannya tuh ka... 1 sebenernya didalem kegiatannya tuh kayak nege...
11 Terus pagi2 ditelpon sama ibuk camer wkwkw. Mi... 1 terus pagi ditelpon sama ibuk camer wkwkw. min...
12 Ow ya, kalau dilihat2 sekolah disini menekanka... 1 ow ya, kalau dilihat sekolah disini menekankan...
13 @thiyut Kok pd gak takut ya anaknya ketularan ... 1 kok pd gak takut ya anaknya ketularan .\n\ne...
14 @asti_c mungkin efeknya anak lebih addict sama... 1 mungkin efeknya anak lebih addict sama teknol...
15 dipikir pikir mending sekolah online drpd offl... 1 dipikir pikir mending sekolah online drpd offl...
16 Udah nyaman sekolah online gimna dong? T-tapi ... 1 udah nyaman sekolah online gimna dong? t-tapi ...
17 @pixshii buat belajar saran ku kalo udh lang... 1 buat belajar saran ku kalo udh langganan le...
18 Malah merasa lebih produktif sejak sekolah onl... 1 malah merasa lebih produktif sejak sekolah onl...
19 @adit_wr @BTannadi @Felicia_Putri online ajala... 1 online ajalah, mana ada lagi yg beli saham k...
20 Makanya harus ada solusi. Membiarkan anak ana... 2 makanya harus ada solusi. membiarkan anak ana...
21 @cccc0123cccc Dari pada main ga jelas. Anak an... 2 dari pada main ga jelas. anak anak di pemukim...
22 Gila nambah2in beban bgt ngurusin sekolah onli... 2 gila nambahin beban bgt ngurusin sekolah onlin...
23 Tapi sepanjang yg terlihat, anak2 sekolah onli... 2 tapi sepanjang yg terlihat, anak sekolah onlin...
24 Belasan tahun kita sering nganggep kalau "seko... 2 belasan tahun kita sering nganggep kalau "seko...
25 dipikiran guru sekolah online gini termasuk li... 2 dipikiran guru sekolah online gini termasuk li...
26 mentang mentang sekolah online, tangga merah t... 2 mentang mentang sekolah online, tangga merah t...
27 @schfess Prinsipku dari kaya gini, terlena sam... 2 prinsipku dari kaya gini, terlena sampe sma. ...
28 Italia sdh 8 bln tatap muka.\nTp khusus SD krn... 2 italia sdh bln tatap muka.\ntp khusus sd krn ...
29 2 hari lagi nak bukak sekolah, setahun cuti ni... 2 hari lagi nak bukak sekolah, setahun cuti ni ...
编辑 4：没关系，@Luke 解决方案是正确的，我的问题是在预处理阶段之后我将 'Token' 值保存到新的 csv，当我加载它时，值从
[mentang, sekolah, online, ''] 到 ['mentang', 'sekolah', 'online', ''] 这就是导致解决方案不起作用的原因
我认为 Token 应该是字符串的集合，并且在创建 CountVectorizer object 时不应该将 Token 传递给 CountVectorizer()。请参考下面 CountVectorizer() 的示例用法 (https://scikit-learn.org/stable/modules/generated/sklearn.feature_extraction.text.CountVectorizer.html).
from sklearn.feature_extraction.text import CountVectorizer
corpus = [
'This is the first document.',
'This document is the second document.',
'And this is the third one.',
'Is this the first document?',
]
vectorizer = CountVectorizer()
X = vectorizer.fit_transform(corpus)
print(vectorizer.get_feature_names())
print(X.toarray())
当每行中都有列表时，您需要使用自定义 analyzer，因为默认分析器都会调用预处理器和分词器，但自定义分析器会跳过此步骤。
import pandas as pd
# Create Sample DataFrame
data = {'Token': [ ['mentang', 'sekolah', 'online', '']], 'Sentiment': [0]}
df = pd.DataFrame(data)
Token = df['Token']
from sklearn.feature_extraction.text import CountVectorizer
# Custom Analyzer
count_vector = CountVectorizer(analyzer=lambda x: x)
count_vector.fit(Token)
count_vector.get_feature_names() # Results in: ['', 'mentang', 'online', 'sekolah']
doc_array = count_vector.transform(Token).toarray() # Results in: array([[1, 1, 1, 1]])
我有这个数据集，我正在尝试使用 sklearn CountVectorizer 从中生成词袋，但它抛出了这个错误
ValueError: The truth value of a Series is ambiguous. Use a.empty, a.bool(), a.item(), a.any() or a.all().
我该如何解决这个问题？
这是我的代码：
Token = df['Token']
from sklearn.feature_extraction.text import CountVectorizer
count_vector = CountVectorizer(Token)
count_vector.fit(Token)
count_vector.get_feature_names()
doc_array = count_vector.transform(Token).toarray()
doc_array
这是完整的回溯
---------------------------------------------------------------------------
ValueError Traceback (most recent call last)
<ipython-input-166-56827f6e68fa> in <module>()
----> 1 count_vector.fit(Token)
2 count_vector.get_feature_names()
3 doc_array = count_vector.transform(Token).toarray()
4 doc_array
C:\Users\ACER\Anaconda3\lib\site-packages\sklearn\feature_extraction\text.py in fit(self, raw_documents, y)
1022 self
1023 """
-> 1024 self.fit_transform(raw_documents)
1025 return self
1026
C:\Users\ACER\Anaconda3\lib\site-packages\sklearn\feature_extraction\text.py in fit_transform(self, raw_documents, y)
1056
1057 vocabulary, X = self._count_vocab(raw_documents,
-> 1058 self.fixed_vocabulary_)
1059
1060 if self.binary:
C:\Users\ACER\Anaconda3\lib\site-packages\sklearn\feature_extraction\text.py in _count_vocab(self, raw_documents, fixed_vocab)
968 for doc in raw_documents:
969 feature_counter = {}
--> 970 for feature in analyze(doc):
971 try:
972 feature_idx = vocabulary[feature]
C:\Users\ACER\Anaconda3\lib\site-packages\sklearn\feature_extraction\text.py in <lambda>(doc)
350 tokenize)
351 return lambda doc: self._word_ngrams(
--> 352 tokenize(preprocess(self.decode(doc))), stop_words)
353
354 else:
C:\Users\ACER\Anaconda3\lib\site-packages\sklearn\feature_extraction\text.py in decode(self, doc)
130 The string to decode
131 """
--> 132 if self.input == 'filename':
133 with open(doc, 'rb') as fh:
134 doc = fh.read()
C:\Users\ACER\AppData\Roaming\Python\Python37\site-packages\pandas\core\generic.py in __nonzero__(self)
1476 raise ValueError("The truth value of a {0} is ambiguous. "
1477 "Use a.empty, a.bool(), a.item(), a.any() or a.all()."
-> 1478 .format(self.__class__.__name__))
1479
1480 __bool__ = __nonzero__
ValueError: The truth value of a Series is ambiguous. Use a.empty, a.bool(), a.item(), a.any() or a.all().
在标记化之前我也尝试过使用干净的数据集，但它也return同样的错误
编辑：这是 df 输出
Token Sentimen
0 ['pilihanny', 'sekolah', 'online', 'offlineken... 0
1 ['mentang', 'sekolah', 'online', ''] 0
2 ['terimakasih', 'ya', 'umat', 'kristiani', 'be... 0
3 ['sekolah', 'online', 'tambah', 'rantai', 'cov... 0
4 ['kaya', 'kakak', 'kakak', 'ni', 'jd', 'tumbal... 0
5 ['klian', 'sekolah', 'online', '', 'daring', '... 0
6 ['ga', 'raja', 'udh', 'taun', 'ak', 'sekolah',... 0
7 ['wkwkwk', 'biar', 'hemat', 'nder', 'sekolah',... 0
8 ['tau', 'tuh', 'jarang', 'gerak', 'sekolah', '... 0
9 ['saking', 'lam', 'sekolah', 'online', 'sampe'... 0
10 ['sebenernya', 'dalem', 'giat', 'tuh', 'kayak'... 1
11 ['pagi', 'telpon', 'ibuk', 'camer', 'wkwkw', '... 1
12 ['ow', 'ya', 'sekolah', 'tekan', 'banget', 'an... 1
13 ['pd', 'gak', 'takut', 'ya', 'anak', 'tular', ... 1
14 ['efek', 'anak', 'addict', 'teknologi', '', 'o... 1
15 ['pikir', 'pikir', 'mending', 'sekolah', 'onli... 1
16 ['udah', 'nyaman', 'sekolah', 'online', 'gimna... 1
17 ['ajar', '', 'saran', 'ku', 'kalo', 'udh', 'la... 1
18 ['produktif', 'sekolah', 'online', '', 'i', 'c... 1
19 ['online', 'aja', 'yg', 'beli', 'saham', 'bei'... 1
20 ['solusi', '', 'biar', 'anak', 'anak', 'sekola... 2
...
编辑 2：添加了我的干净数据集。我已经尝试将 'Preprocess' 传递给 CountVectorizer，但它仍然 return 是相同的错误
tweet Sentimen Preprocess
0 Sampai sekarang pilihanny hanya sekolah online... 0 sampai sekarang pilihanny hanya sekolah online...
1 @shizunecarla mentang-mentang sekolah online :) 0 mentang-mentang sekolah online :)
2 @jehianps Terimakasih Ya Umat Kristiani berkat... 0 terimakasih ya umat kristiani berkat kalian s...
3 sekolah masih online, supaya tidak menambah ra... 0 sekolah masih online, supaya tidak menambah ra...
4 @cirokuchan kayanya seluruh kakak kakak ni jd ... 0 kayanya seluruh kakak kakak ni jd tumbal pas ...
5 klian yang sekolah online / daring waktu pel p... 0 klian yang sekolah online / daring waktu pel p...
6 @jaejenay ga keraja udh setaun ak sekolah onli... 0 ga keraja udh setaun ak sekolah online km do...
7 @subtanyarl Wkwkwk biar lebih hemat lah nder, ... 0 wkwkwk biar lebih hemat lah nder, apalagi sek...
8 @gbiyel Ketauan tuh jarang bergerak, pasti sek... 0 ketauan tuh jarang bergerak, pasti sekolah on...
9 @innerchild_ug saking lamnya sekolah online sa... 0 saking lamnya sekolah online sampe lupa tangg...
10 @schfess Sebenernya didalem kegiatannya tuh ka... 1 sebenernya didalem kegiatannya tuh kayak nege...
11 Terus pagi2 ditelpon sama ibuk camer wkwkw. Mi... 1 terus pagi ditelpon sama ibuk camer wkwkw. min...
12 Ow ya, kalau dilihat2 sekolah disini menekanka... 1 ow ya, kalau dilihat sekolah disini menekankan...
13 @thiyut Kok pd gak takut ya anaknya ketularan ... 1 kok pd gak takut ya anaknya ketularan .\n\ne...
14 @asti_c mungkin efeknya anak lebih addict sama... 1 mungkin efeknya anak lebih addict sama teknol...
15 dipikir pikir mending sekolah online drpd offl... 1 dipikir pikir mending sekolah online drpd offl...
16 Udah nyaman sekolah online gimna dong? T-tapi ... 1 udah nyaman sekolah online gimna dong? t-tapi ...
17 @pixshii buat belajar saran ku kalo udh lang... 1 buat belajar saran ku kalo udh langganan le...
18 Malah merasa lebih produktif sejak sekolah onl... 1 malah merasa lebih produktif sejak sekolah onl...
19 @adit_wr @BTannadi @Felicia_Putri online ajala... 1 online ajalah, mana ada lagi yg beli saham k...
20 Makanya harus ada solusi. Membiarkan anak ana... 2 makanya harus ada solusi. membiarkan anak ana...
21 @cccc0123cccc Dari pada main ga jelas. Anak an... 2 dari pada main ga jelas. anak anak di pemukim...
22 Gila nambah2in beban bgt ngurusin sekolah onli... 2 gila nambahin beban bgt ngurusin sekolah onlin...
23 Tapi sepanjang yg terlihat, anak2 sekolah onli... 2 tapi sepanjang yg terlihat, anak sekolah onlin...
24 Belasan tahun kita sering nganggep kalau "seko... 2 belasan tahun kita sering nganggep kalau "seko...
25 dipikiran guru sekolah online gini termasuk li... 2 dipikiran guru sekolah online gini termasuk li...
26 mentang mentang sekolah online, tangga merah t... 2 mentang mentang sekolah online, tangga merah t...
27 @schfess Prinsipku dari kaya gini, terlena sam... 2 prinsipku dari kaya gini, terlena sampe sma. ...
28 Italia sdh 8 bln tatap muka.\nTp khusus SD krn... 2 italia sdh bln tatap muka.\ntp khusus sd krn ...
29 2 hari lagi nak bukak sekolah, setahun cuti ni... 2 hari lagi nak bukak sekolah, setahun cuti ni ...
编辑 4：没关系，@Luke 解决方案是正确的，我的问题是在预处理阶段之后我将 'Token' 值保存到新的 csv，当我加载它时，值从
[mentang, sekolah, online, ''] 到 ['mentang', 'sekolah', 'online', ''] 这就是导致解决方案不起作用的原因
我认为 Token 应该是字符串的集合，并且在创建 CountVectorizer object 时不应该将 Token 传递给 CountVectorizer()。请参考下面 CountVectorizer() 的示例用法 (https://scikit-learn.org/stable/modules/generated/sklearn.feature_extraction.text.CountVectorizer.html).
from sklearn.feature_extraction.text import CountVectorizer
corpus = [
'This is the first document.',
'This document is the second document.',
'And this is the third one.',
'Is this the first document?',
]
vectorizer = CountVectorizer()
X = vectorizer.fit_transform(corpus)
print(vectorizer.get_feature_names())
print(X.toarray())
当每行中都有列表时，您需要使用自定义 analyzer，因为默认分析器都会调用预处理器和分词器，但自定义分析器会跳过此步骤。
import pandas as pd
# Create Sample DataFrame
data = {'Token': [ ['mentang', 'sekolah', 'online', '']], 'Sentiment': [0]}
df = pd.DataFrame(data)
Token = df['Token']
from sklearn.feature_extraction.text import CountVectorizer
# Custom Analyzer
count_vector = CountVectorizer(analyzer=lambda x: x)
count_vector.fit(Token)
count_vector.get_feature_names() # Results in: ['', 'mentang', 'online', 'sekolah']
doc_array = count_vector.transform(Token).toarray() # Results in: array([[1, 1, 1, 1]])