我正在尝试计算文本文件中出现频率最高的 skip-grams。 我正在使用 nltk 的 skipgram 和 scikit-learn 的 countVectorizer,但它给了我一个 distinct skip-grams 的列表。因此,当我将它们放入字典中进行计数时,我得到每个 skip-gram 的频率 = 1。
我相信这是因为我使用的是 vectorizer.vocabulary_ 方法,它会跳过重复的 skip-grams。
我正在使用此代码 https://github.com/nltk/nltk/issues/1428#issuecomment-231647710
在这个原始代码中,他们并没有尝试计算频率,因此不同的 skip-grams(词汇表)很好。就我而言,如何更改代码以便获得 countVectorizer 生成的所有 skip-gram 的完整列表?
import functools
from nltk.util import skipgrams
from nltk import word_tokenize
from sklearn.feature_extraction.text import CountVectorizer
text = [word_tokenize(line.strip()) for line in open('test.txt', 'r')]
skipper = functools.partial(skipgrams, n=2, k=2)
vectorizer = CountVectorizer(analyzer=skipper)
vectorizer.fit(text)
vectorizer.vocabulary_
dict = {}
dict = vectorizer.vocabulary_
def getList(dict):
return dict.keys() #get all the skip-grams
#store all skip-grams in a list to count their frequencies
newlist = []
for key in getList(dict):
newlist.append(key)
#count frequency of items in list
def count(listOfTuple):
count_map = {}
for i in listOfTuple:
count_map[i] = count_map.get(i, 0) +1
return count_map
d = count(newlist)
print(d)
例如,如果我有一个包含两个字符串“i love apple”和“i love watermelon”的文本 print(d) 应该给出:
('i', 'love'):2
('i', 'apple'):1
('i', 'watermelon'):1
但是现在我到处都是 1。
任何帮助将不胜感激!!
最佳答案
您很好地识别了问题,您不应该使用 vectorizer.vocabulary_
。所以你可以保留这个:
import functools
from nltk.util import skipgrams
from nltk import word_tokenize
from sklearn.feature_extraction.text import CountVectorizer
text = [word_tokenize(line.strip()) for line in ["I love apple","I love
pineapple"]]
skipper = functools.partial(skipgrams, n=2, k=2)
vectorizer = CountVectorizer(analyzer=skipper)
vectorizer.fit(text)
但在这里,使用您的矢量化器对象将您的文本实际转换为其矢量化版本:
vectorized_text = vectorizer.transform(text)
print(dict(zip(vectorizer.get_feature_names(),vectorized_text.toarray().sum(axis = 0))))
然后你会如预期的那样得到:
>>> {('I', 'apple'): 1,
('I', 'love'): 2,
('I', 'pineapple'): 1,
('love', 'apple'): 1,
('love', 'pineapple'): 1}
关于python - 使用 countVectorizer 计算 Skip-gram 频率,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/56451249/