如何在 Python 中创建词袋

Question

Dataframe test 在我清理并标记化它之后。

from nltk.tokenize import TweetTokenizer
tt = TweetTokenizer()
test['tokenize'] = test['tweet'].apply(tt.tokenize)
print(test)

产出

0  congratulations dear friend ... [congratulations, dear, friend]
1  happy anniversary be happy  ... [happy, anniversary, be, happy]
2  make some sandwich          ...          [make, some, sandwich]

我想为我的数据创建一个词袋。以下给了我错误： 'list' object has no attribute 'lower'

from sklearn.feature_extraction.text import CountVectorizer
vectorizer = CountVectorizer()

BOW = vectorizer.fit_transform(test['tokenize'])
print(BOW.toarray())
print(vectorizer.get_feature_names())

第二个：AttributeError: 'list'对象没有属性'split'

from collections import Counter
test['BOW'] = test['tokenize'].apply(lambda x: Counter(x.split(" ")))
print(test['BOW'])

能否请您协助我使用其中一种方法或两种方法。谢谢！

Answer 1

vectorizer.fit_transform 将 str、unicode 或文件对象的可迭代作为参数。您已经传递了一个可迭代的列表（标记化字符串）。您可以只传递原始字符串集，test['tweet']，因为 CountVectorizer 会为您进行标记化。

from sklearn.feature_extraction.text import CountVectorizer
vectorizer = CountVectorizer()
BOW = vectorizer.fit_transform(test['tweet'])
print(BOW.toarray())
print(vectorizer.get_feature_names())

这应该会给你预期的输出。

Answer 2

根据您的输出示例，test['tokenize'] 包含单元格中的列表。这些列表是通过“”拆分从字符串中检索到的值，因此要使这一行 test['BOW'] = test['tokenize'].apply(lambda x: Counter(x.split(" "))) 正常工作，请尝试将其更改为 test['BOW'] = test['tokenize'].apply(lambda x: Counter(x))

如何在 Python 中创建词袋

How to create a bag of word in Python

python

nltk