python - 如何使用 python-pandas 和 gensim 将数据框中的单词映射到整数 ID?

标签 python pandas gensim

给定这样一个数据框,包括项目和相应的评论文本:

item_id          review_text
B2JLCNJF16       i was attracted to this...
B0009VEM4U       great snippers...

我想映射 review_text 中最常见的前 5000 个词,因此生成的数据框应该是这样的:

item_id            review_text
B2JLCNJF16         1  2  3  4  5...
B0009VEM4U         6... #as the word "snippers"  is out of the top 5000 most frequent word

或者,词袋向量是首选:

item_id            review_text
B2JLCNJF16         [1,1,1,1,1....]
B0009VEM4U         [0,0,0,0,0,1....] 

我该怎么做?非常感谢!

编辑: 我试过@ayhan 的回答。现在我已经成功地将评论文本更改为 doc2bow 形式:

item_id            review_text
B2JLCNJF16         [(123,2),(130,3),(159,1)...]
B0009VEM4U         [(3,2),(110,2),(121,5)...]

它表示 ID 123 的单词在该文档中出现了 2 次。现在我想将它转移到像这样的向量中:

[0,0,0,.....,2,0,0,0,....,3,0,0,0,......1...]
        #123rd         130th        159th

你知道怎么做吗?提前致谢!

最佳答案

首先,获取每行中的单词列表:

df["review_text"] = df["review_text"].map(lambda x: x.split(' '))

现在你可以将 df["review_text"] 传递给 gensim 的字典:

from gensim import corpora
dictionary = corpora.Dictionary(df["review_text"])

对于出现频率最高的5000个词,使用filter_extremes方法:

dictionary.filter_extremes(no_below=1, no_above=1, keep_n=5000)

doc2bow 方法将为您提供词袋表示(word_id、频率):

df["bow"] = df["review_text"].map(dictionary.doc2bow)

0     [(1, 2), (3, 1), (5, 1), (11, 1), (12, 3), (18...
1     [(0, 3), (24, 1), (28, 1), (30, 1), (56, 1), (...
2     [(8, 1), (15, 1), (18, 2), (29, 1), (36, 2), (...
3     [(69, 1), (94, 1), (115, 1), (123, 1), (128, 1...
4     [(2, 1), (18, 4), (26, 1), (32, 1), (55, 1), (...
5     [(6, 1), (18, 1), (30, 1), (61, 1), (71, 1), (...
6     [(0, 5), (13, 1), (18, 6), (31, 1), (42, 1), (...
7     [(0, 10), (5, 1), (18, 1), (35, 1), (43, 1), (...
8     [(0, 24), (1, 4), (4, 2), (7, 1), (10, 1), (14...
9     [(0, 7), (18, 3), (30, 1), (32, 1), (34, 1), (...
10    [(0, 5), (9, 1), (18, 3), (19, 1), (21, 1), (2...

获得词袋表示后,您可以在每一行中连接系列(可能效率不高):

df2 = pd.concat([pd.DataFrame(s).set_index(0) for s in df["bow"]], axis=1).fillna(0).T.set_index(df.index)


    0   1   2   3   4   5   6   7   8   9   ... 728 729 730 731 732 733 734 735 736 737
0   0   2   0   1   0   1   0   0   0   0   ... 0   0   0   0   0   0   0   0   0   0
1   3   0   0   0   0   0   0   0   0   0   ... 0   0   0   0   0   0   0   0   0   0
2   0   0   0   0   0   0   0   0   1   0   ... 0   0   0   0   0   1   1   0   0   0
3   0   0   0   0   0   0   0   0   0   0   ... 0   0   0   0   0   0   0   0   0   0
4   0   0   1   0   0   0   0   0   0   0   ... 0   0   0   0   0   1   0   0   1   0
5   0   0   0   0   0   0   1   0   0   0   ... 0   0   0   1   0   0   0   0   0   0
6   5   0   0   0   0   0   0   0   0   0   ... 0   0   0   1   0   0   0   0   0   0
7   10  0   0   0   0   1   0   0   0   0   ... 0   0   0   0   0   0   0   1   0   0
8   24  4   0   0   2   0   0   1   0   0   ... 1   1   2   0   1   3   1   0   1   0
9   7   0   0   0   0   0   0   0   0   0   ... 0   0   0   0   0   0   0   0   0   1
10  5   0   0   0   0   0   0   0   0   1   ... 0   0   0   0   0   0   0   0   0   0

关于python - 如何使用 python-pandas 和 gensim 将数据框中的单词映射到整数 ID?,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/36250297/

相关文章:

python-3.x - 将文档添加到 gensim 模型

python - 从 json 读取数组,无需任何根对象

python - 当我重新启动 Tornado 服务器时,html 文件中的更改不会生效

python - Pandas 重命名索引值

python-2.7 - df.fillna(0) 命令不会用 0 替换 NaN 值

python - 如何在 pandas DataFrame 中将值从 6200000 转换为 6.2M 或 1900 到 1.90K 的列?

gensim - gensim 实现中 DBOW doc2vec 的 word2vec 映射来自哪里?

python - 遍历 numpy.array 的任意维度

Python语法糖出了问题

nlp - Word2Vec:NLP 中是否可以针对权重进行训练?