文本特征提取

英文文本特征提取

方法步骤：

①导入相关API

from sklearn.feature_extraction.text import CountVectorizer

②实例化CountVectorizer

text=CountVectorizer()

③调用fit_transform()方法进行特征提取

results=text.fit_transform(data)　　　　

主要代码：

def text_demo():
    data=["I am going to school","What do you want to do"]
    #实例化CountVectorizer
    text=CountVectorizer()
    #调用fit_transform()方法
    results=text.fit_transform(data)
    print("特征值：\n",text.get_feature_names())
    print("特征值提取结果：\n",results.toarray())       #results.toarray()将稀疏矩阵转换为二维数组的形式

运行结果：

中文文本特征提取

中文文本特征提取步骤与英文类似，主要区别在于中文文本特征提取需要进行分词处理，否则就会出现如下结果，将一句话作为一个词处理：

一、 中文分词（使用jieba）：

①导入jieba

import jieba

②将目标进行分词处理

jieba.cut(text)

③将分词处理结果转化为列表形式

list(jieba.cut(text))

④将列表转化为字符串形式

" ".join(list(jieba.cut(text)))

主要代码：

def cut_text(text):
    result=" ".join(list(jieba.cut(text)))
    # print(result)
    return result

二、中文文本特征提取

①定义一个空数组，并利用该空数组接收中文分词后的结果

data_cut=[]         #定义一个空数组
for i in data:
    data_cut.append(cut_text(i))        #利用空数组接收分词后的结果

②实例化CountVectorizer

CountVectorizer()

③调用fit_transform()方法

text.fit_transform(data_cut)

主要代码：

def chinese_text_demo():
    data=["我们也可以将数据存储在文件中","但是在文件中读写数据速度相对较慢","优秀的文件很优秀"]
    data_cut=[]         #定义一个空数组
    for i in data:
        data_cut.append(cut_text(i))        #利用空数组接收分词后的结果
    #实例化CountVectorizer
    text=CountVectorizer()
    #调用fit_transform()方法
    results=text.fit_transform(data_cut)
    print("特征值：\n",text.get_feature_names())
    print("特征值提取结果：\n",results.toarray())

运行结果：