Sklearn除了文本之外的其他输入用于文本分类

Question

我正在尝试使用 "Sci kit" learn bag of words 做一个文本分类器。向量化为分类器。但是，我想知道除了文本本身之外，我将如何向输入添加另一个变量。假设我想在文本中添加一些除了文本之外的单词（因为我认为这可能会影响结果）。我应该怎么做？
我是否必须在那个分类器之上添加另一个分类器？或者有没有办法将该输入添加到矢量化文本中？

Answer 1

Scikit 学习分类器适用于 numpy 数组。这意味着在对文本进行矢量化之后，您可以轻松地将新功能添加到这个数组中（我收回这句话，不是很容易但可行）。问题出在文本分类中，您的特征将是稀疏的，因此正常的 numpy 列添加不起作用。

代码修改自 text mining example from scikit learn scipy 2013 tutorial。

from sklearn.datasets import load_files
from sklearn.feature_extraction.text import TfidfVectorizer
from sklearn.naive_bayes import MultinomialNB
import numpy as np
import scipy

# Load the text data

twenty_train_subset = load_files('datasets/20news-bydate-train/',
    categories=categories, encoding='latin-1')

# Turn the text documents into vectors of word frequencies
vectorizer = TfidfVectorizer(min_df=2)
X_train_only_text_features = vectorizer.fit_transform(twenty_train_subset.data)


print type(X_train_only_text_features)
print "X_train_only_text_features",X_train_only_text_features.shape

size = X_train_only_text_features.shape[0]
print "size",size

ones_column = np.ones(size).reshape(size,1)
print "ones_column",ones_column.shape


new_column = scipy.sparse.csr.csr_matrix(ones_column )
print type(new_column)
print "new_column",new_column.shape

X_train= scipy.sparse.hstack([new_column,X_train_only_text_features])

print "X_train",X_train.shape

输出如下：

<class 'scipy.sparse.csr.csr_matrix'>
X_train_only_text_features (2034, 17566)
size 2034
ones_column (2034L, 1L)
<class 'scipy.sparse.csr.csr_matrix'>
new_column (2034, 1)
X_train (2034, 17567)

Sklearn除了文本之外的其他输入用于文本分类

Sklearn other inputs in addition to text for text classification

python

words

classification

scikit-learn

text-classification