如何使用Scikit Learn Countvectorizer

Question

我有一组单词，我必须检查它们是否存在文档中。

WordList = [w1, w2, ..., wn]

另一组具有文档列表，我必须检查这些单词是否存在。

如何使用scikit-learn CountVectorizer，以便术语文档矩阵的特征仅是来自 WordList的单词，每行代表每个特定文档，而无时间在其各自的列中出现的单词出现在其各自的列中？

Answer 1

对于自定义文档，您可以使用count vectorizer方法

from sklearn.feature_extraction.text import CountVectorizer
vectorizer = CountVectorizer() #make object of Count Vectorizer
corpus = [
      'This is a cat.',
      'It likes to roam in the garden',
      'It is black in color',
      'The cat does not like the dog.',
      ]
X = vectorizer.fit_transform(corpus)
#print(X) to see count given to words
vectorizer.get_feature_names() == (
['cat', 'color', 'roam', 'The', 'garden',
 'dog', 'black', 'like', 'does', 'not',
 'the', 'in', 'likes'])
X.toarray()
#used to convert X into numpy array
vectorizer.transform(['A new cat.']).toarray()
# Checking it for a new document

其他矢量器也可以像tfidf vectorizer一样使用。TFIDF vectorizer是一种更好的方法，因为它不仅提供了特定文档中单词的数量，而且还讲述了单词的重要性。

它是通过查找TF-项频率和IDF-反向文档频率来计算的。

术语freq是特定文档中单词出现的次数，而IDF是根据文档上下文计算的。例如，如果文档与足球有关，那么"梅西"一词"不会给出任何见解，但"梅西"一词会讲述文档的上下文。它是通过记录发生数量来计算的。例如。tf（"）= 10 TF（" Messi"）= 5

idf("the") = log(10) = 0
idf("messi") = log(5) = 0.52
tfidf("the") = tf("the") * idf("the") = 10 * 0 = 0
tfidf("messi") = 5 * 0.52 = 2.6

这些权重有助于算法从文档中识别出的重要单词，后来有助于从文档中得出语义。

Answer 2

好。我得到它。代码如下：

from sklearn.feature_extraction.text import CountVectorizer
# Counting the no of times each word(Unigram) appear in document. 
vectorizer = CountVectorizer(input='content',binary=False,ngram_range=(1,1))
# First set the vocab
vectorizer = vectorizer.fit(WordList)
# Now transform the text contained in each document i.e list of text 
Document:list
tfMatrix = vectorizer.transform(Document_List).toarray()

这将仅输出仅具有WordList的功能的术语文档矩阵。