机器学习之文本特征提取

　　英文文本特征提取：

　　文本特征提取需要导入第三方库：sklearn.feature_extraction,调用其中的类CountVectorizer

　　代码如下：

#文本特征提取
from sklearn.feature_extraction.text import CountVectorizer
#英文文本特征提取
def text_English_demo():
    data = ["I love china and china love me!","life is too long and i like python"]
    #1 实例化转换器对象 CountVectorizer()函数内可有参数stop_words，为列表类型，存放停用词
    transfer = CountVectorizer()
    #2 调用文本特征提取函数
    new_data = transfer.fit_transform(data)
    print("特征名：
",transfer.get_feature_names())
    print("new_data:
",new_data.toarray())
if __name__ == '__main__':
    text_English_demo()    #英文文本特征提取

　　注：CountVectorizer()不含像字典特征提取一样可带参数sparse，所以不能通过这种方式使得输出格式为二维数组格式，但可以通过new_data.toarray()进行转换

　　结果截图：二维列表中的值为相应的特征词的出现个数

　　

　　当CountVectorizer(stop_words = ['and'])时：

　　结果：

　　

 　　中文文本特征提取：

　　我们先尝试一下像提取英文特征词一样提取中文特征词：

　　代码如下：

#文本特征提取
from sklearn.feature_extraction.text import CountVectorizer
#中文文本特征提取
def text_chinese_demo():
    data = ["我爱北京!","天蓝蓝秋草香"]
    #1 实例化转换器对象 CountVectorizer()函数内可有参数stop_words，为列表类型，存放停用词
    transfer = CountVectorizer()
    #2 调用文本特征提取函数
    new_data = transfer.fit_transform(data)
    print("特征名：
",transfer.get_feature_names())
    print("new_data:
",new_data.toarray())
if __name__ == '__main__':
    text_chinese_demo()

　　结果截图：

　　

　　emmmmm，这么看来是不行的，那么我们只好先使用jieba分词了。

　　首先我们要引入jieba库

　　代码：

import jieba
#中文文本特征提取jieba分词
def text_chinese_demo2():
    data = ["世界上那些最容易的事情中，拖延时间最不费力。","记住该记住的，忘记该忘记的；改变能改变的，接受不能接受的。"]
    for each in range(len(data)):
        result = "/".join(jieba.cut(data[each]))
        print(data[each],"
分词结果：",result)
def get_participle(text):
    return " ".join(jieba.cut(text))
if __name__ == '__main__':
    text_chinese_demo2()

　　结果截图：

　　

　　然后我们将分词得到的结果列表data使用转换器对象CountVectorizer类的fit_transform()进行特征提取

　　注：CountVectorizer(stop_words = [])可添加参数stop_words列表存放停用词

　　完整代码：

import jieba
#中文文本特征提取jieba分词
def text_chinese_demo2():
    data = ["世界上那些最容易的事情中，拖延时间最不费力。","记住该记住的，忘记该忘记的；改变能改变的，接受不能接受的。"]
    data_jieba = []
    for each in range(len(data)):
        data_jieba.append("/".join(jieba.cut(data[each])))
    # 1 实例化转换器对象 CountVectorizer()函数内可有参数stop_words，为列表类型，存放停用词
    transfer = CountVectorizer()
    # 2 调用文本特征提取函数
    new_data = transfer.fit_transform(data_jieba)
    print("特征名：
", transfer.get_feature_names())
    print("new_data:
", new_data.toarray())

def get_participle(text):
    return " ".join(jieba.cut(text))
if __name__ == '__main__':
    text_chinese_demo2()

　　结果截图：

　　

 

　　

data = ["世界上那些最容易的事情中，拖延时间最不费力。","记住该记住的，忘记该忘记的；改变能改变的，接受不能接受的。"]