Сопоставьте предложение с его лексикой в ​​sklearn - PullRequest
Новая
       18

Сопоставьте предложение с его лексикой в ​​sklearn

1 голос
/ 15 марта 2019

Я использую CountVectorizer, чтобы получить список слов в списке строк 

from sklearn.feature_extraction.text import CountVectorizer
raw_text = [
    'The dog hates the black cat',
    'The black dog is good'
]
raw_text = [x.lower() for x in raw_text]
vocabulary = vectorizer.vocabulary_ 
vocabulary = dict((v, k) for k, v in vocabulary.iteritems())
vocabulary

В словаре у меня есть следующие данные, которые являются правильными 

{0: u'black', 1: u'cat', 2: u'dog', 3: u'good', 4: u'hates', 5: u'is', 6: u'the'}

Что я хотел бы получить сейчас, так это оригинальные предложения, «сопоставленные» с этими новыми значениями, что-то вроде: 

expected_output = [
    [6, 2, 4, 6, 0, 1],
    [6, 0, 2, 5, 3]
]

Я пытался изучить документацию Sklearn, но я не могу найти ничего, что, кажется, делает это, и я даже не знаю правильной терминологии для операции, которую я пытаюсь выполнить, поэтому я не могу найти никаких результатов в Google.

Есть ли способ достичь этого результата?

Ответы [ 3 ]

3 голосов
/ 15 марта 2019

Найти каждое слово, как это: 

from sklearn.feature_extraction.text import CountVectorizer
raw_text = [
    'The dog hates the black cat',
    'The black dog is good'
]

cv = CountVectorizer()
cv.fit_transform(raw_text)


vocab = cv.vocabulary_.copy()

def lookup_key(string):
    s = string.lower()
    return [vocab[w] for w in s.split()]

list(map(lookup_key, raw_text))

Out: 

[[6, 2, 4, 6, 0, 1], [6, 0, 2, 5, 3]]
2 голосов
/ 15 марта 2019

Можете ли вы попробовать следующее: 

mydict = {0: u'black', 1: u'cat', 2: u'dog',
          3: u'good', 4: u'hates', 5: u'is', 6: u'the'}


def get_val_key(val):
    return list(mydict.keys())[list(mydict.values()).index(val.lower())]


raw_text = [
    'The dog hates the black cat',
    'The black dog is good'
]
expected_output = [list(map(get_val_key, text.split())) for text in raw_text]
print(expected_output)

Вывод: 

[[6, 2, 4, 6, 0, 1], [6, 0, 2, 5, 3]]
1 голос
/ 15 марта 2019

Я думаю, что вы можете просто подогнать текст к словарю, а затем использовать словарь для создания требуемого отображения, используя build_analyzer()

from sklearn.feature_extraction.text import CountVectorizer
raw_text = [
    'The dog hates the black cat',
    'The black dog is good'
]
vectorizer = CountVectorizer()
vectorizer.fit(raw_text)

analyzer = vectorizer.build_analyzer()
[[vectorizer.vocabulary_[i]  for i in analyzer(doc)]  for doc in raw_text]

Выход:

[[6, 2, 4, 6, 0, 1], [6, 0, 2, 5, 3]]

...