勇闯机器学习（第五关--中文文本特征提取）

以下内容皆为原创，制作实属不易，请点点关注和赞赞❥(^_^)

第一关：机器学习概念和流程	http://t.csdnimg.cn/IuHh4
第二关：数据集的使用	http://t.csdnimg.cn/2jsdi
第三关：特征工程-字典特征提取	http://t.csdnimg.cn/ZpMto
第四关：特征工程-文本特征提取	http://t.csdnimg.cn/HSGhz

 

这一关，我们学习stop_words的用法和中文分词和特征提取。

一.停用词stop_words

        这个参数是CountVectorizer里面的参数，所谓停用词，就是不想看见的词。为什么不想看见？说明没有意义呗。有意义的我肯定想看啊。接下来看有无参数之前和之后的代码。

from sklearn.feature_extraction.text import CountVectorizerdef count_chinese_demo():#中文文本数据data = ['我 喜欢 你', '你 喜欢 我吗']# 实例化转换器类transfer = CountVectorizer()data_new = transfer.fit_transform(data)print("data_new\n", data_new)print("feature_name\n", transfer.get_feature_names_out())if __name__ == "__main__":count_chinese_demo()

   

嗯嗯，有眼睛的可以看出来这个特征名字是“喜欢”、“我吗”。那我就感觉第二个词不是什么重要的特征，那我就用停用词stop_words。好，那我们继续看加了停用词的效果。

transfer = CountVectorizer(stop_words=["我吗"])

 

        OK，家人们。这就看不见那个“我吗”这个特征词。

二.对中文jieba分词

        先给大家一个分词的官方解释地址：jieba · PyPI

        好吧，这翻译过来有点那个，解霸！！其实我第一次看见jieba，还看错了。

        简单来说，jieba库可以中文句子的主语、谓语、动词啥的都准确的分割出来，非常的牛掰，那我们接下来看看jieba库的效果。

        1.jieba库的效果展示

                没安装jieba库的，pip install jieba就可以了，很快的，几秒就可以了。

import jieba
data = "真正的勇气是一种精神的力量，人格的力量，智慧的力量。"
print(jieba.lcut(data))

 嗯嗯，可以看出来，jieba库还是有点东西的，有实力。

这次我们做个小改动，将分割好的元素传给列表，然后再用空格分割在一起，所以不需要我们一个一个去按空格了。还记得我们上次说，要是进行中文特征提取，中文是一个句子，返回的特征值就是整个句子，但是我们按好空格后（人为分词），返回的特征值就是一个个词。但是效率太慢了，所以这就是我们要使用jieba库的原因，提高了效率。

from sklearn.feature_extraction.text import CountVectorizer
import jiebadef cut_words(text):text = " ".join(list(jieba.lcut(text)))print(text)if __name__ == "__main__":cut_words("真正的勇气是一种精神的力量，人格的力量，智慧的力量。")

         2.对中文数据进行分词和特征提取

from sklearn.feature_extraction.text import CountVectorizer
import jiebadata = ["真正的勇气是一种精神的力量，人格的力量，智慧的力量。","拥有了这种力量，我们就能独自越过困难堆成的高山；","拥有这种力量，我们就能克服生活的磨难；拥有了这种力量，我们就能成为命运的主宰，始终扬起胜利的风帆。"]# 定义空列表放置分词好后的元素。
data_new = []for sent in data:# 使用jieba.cut后，将生成器转换为列表data_new.append(list(jieba.cut(sent)))# 实例化一个转换器类
transfer = CountVectorizer()# 调用fit_transform
data_final = transfer.fit_transform(data_new)# 输出结果
print("data_new\n", data_final.toarray())
print("feature_name\n", transfer.get_feature_names_out())

 

我嘞个豆，怎么报错了，我真服了。好在还有其他方案。

from sklearn.feature_extraction.text import CountVectorizer
import jieba# 定义数据
data = ["真正的勇气是一种精神的力量，人格的力量，智慧的力量。","拥有了这种力量，我们就能独自越过困难堆成的高山；","拥有这种力量，我们就能克服生活的磨难；拥有了这种力量，我们就能成为命运的主宰，始终扬起胜利的风帆。"]# 实例化一个转换器类，使用jieba进行分词
# tokenizer 应该是一个函数，该函数接受一个字符串并返回一个单词列表。
# analyzer: 这是 CountVectorizer 的一个参数，用于指定如何分析文本。analyzer 可以有三个选项：
#'char': 将文本分割为字符。
# 'char_wb': 将文本分割为字符，但考虑单词边界。
# 'word': 将文本分割为单词，这是默认选项。
transfer = CountVectorizer(analyzer='word', tokenizer=jieba.cut)# 调用fit_transform
data_final = transfer.fit_transform(data)# 输出结果
print("data_new\n", data_final.toarray())
print("feature names\n", transfer.get_feature_names_out())

 这个效果不是太好啊，因为里面还包括标点符号。所以我们还要用stop_words=【】。

transfer = CountVectorizer(analyzer='word', tokenizer=jieba.cut, stop_words=["，","。","；" ]) 

 

虽然麻烦了一点，但是还是解决了，你说是不是。当然现在只是还没找到解决办法，等找到解决办法，我再跟大家分享。

今天主要跟大家分享了stop_words的用法和用sklearn结合jieba库对中文数据进行特征提取

感谢大家的观看，祝愿大家的生活顺顺利利，生活不止工作，陪陪自己的家人。大家拜拜~