Question

我对数据科学很陌生。我正在尝试使用LDA解决nlp群集问题。我使用 sklearn 中的CountVectorizer遇到了问题。

我有一个数据框：

df = pd.DataFrame({'id':[1,2,3],'word':[['one', 'two', 'four'],
                                    ['five', 'six', 'nine'], 
                                    ['eight', 'eleven', 'ten']]})
df2 =  df.copy().assign(word = df.word.map(lambda y: " ".join(y)))


    id  word
0   1   one two four
1   2   five six nine
2   3   eight eleven ten

我从web得到了一段代码，它对我的问题有用：

cvectorizer = CountVectorizer(min_df=4, max_features=10000,ngram_range=(1,2))
cvz = cvectorizer.fit_transform(df2['word'])

我想要的只是在word列中的值中添加某种权重因子。它应该像这样工作：word列中数组的第一个元素应该具有len(lengths of an array)的权重，并且从数组的开头到结尾按降序排列。

例如：对于id = 1的行，我想要以下情况：

{one:3, two:2, four:1}

其中int值是我的体重参数。

在此之后，我希望将加权值推入CountVectorizer。

我已阅读文档，但我无法解决问题。

Answer 1

这里的基本功能是split()方法 - 从中，您可以将单词列表转换为字符串列表，并获取要分配给每个字符串的整数。

最终答案：这是一个插入字典制作方法，并apply()调用它来应用它：

def make_dict(list1,list2):
    d = {}
    for k,v in zip(list1,list2):
        d[k] = v
    return d

df2['word'].apply(lambda x : (x.split(" "), [i for i in reversed(range(1,len(x.split(" "))+1))])).apply(lambda y : make_dict(y[0],y[1]))

这将返回一个Series，Series的每个元素都是您为该特定行请求的字典。对此表达式的解释如下。

说明：从创建元组的列表推导开始 - 元组的第一项是将成为字典键的字符串拆分列表。元组的第二项是整数的拆分列表，它将成为字典值（这些基本上只是通过调用range()生成的反向列表，其参数来自于开头提到的字符串拆分方法答案）

In [1]: df2['word'].apply(lambda x : (x.split(" "), [i for i in reversed(range(1,len(x.split(" "))+1))]))
Out[1]:
0        ([one, two, four], [3, 2, 1])
1       ([five, six, nine], [3, 2, 1])
2    ([eight, eleven, ten], [3, 2, 1])

接下来，定义一个以两个列表作为参数的函数（我们知道，从上面的操作中，这两个列表必须是相同长度的列表，所以我们不需要强制检查它们是否具有相同的长度，除非我们是偏执的）并将它们拼接成字典：

In [2]: def make_dict(list1,list2):
    ...:     d = {}
    ...:     for k,v in zip(list1,list2):
    ...:         d[k] = v
    ...:     return d

List1变成了一组键，list2变成了一组值。（注意，如果重复键，这将覆盖旧密钥，例如，如果您的一个列是＆＃34;一个一个＆＃34;）。

现在剩下的就是将第一个表达式的输出与上面定义的函数结合起来，我们可以用另一个apply()来完成：

In [3]: df2['word'].apply(lambda x : (x.split(" "), [i for i in reversed(range(1,len(x.split(" "))+1))])).apply(lambda y : make_dict(y[0],y[1]))
Out[3]:
0        {'one': 3, 'two': 2, 'four': 1}
1       {'five': 3, 'six': 2, 'nine': 1}
2    {'eight': 3, 'eleven': 2, 'ten': 1}
Name: word, dtype: object

如何为CountVectorizer添加权重因子

1 个答案: