一.安装包

pip install Scikit-learn

二.字典特征抽取

  1.字典特征抽取

#!/usr/bin/env python
# -*- coding: utf-8 -*-
#author tom from sklearn.feature_extraction import DictVectorizer l=[
{'city':'北京','temparatue':20},
{'city':'深圳','temparatue':40},
{'city':'广州','temparatue':60},
] def dictvec():
"""
字典数据抽取
:return:
"""
#实例化对象
dic=DictVectorizer()
#调用feature,参数是字典,或者把字典放置于可迭代对象中,比如说列表
data=dic.fit_transform(l)
print(dic.get_feature_names())
print(data) if __name__ == '__main__':
dictvec()

  结果:(sparse矩阵,这样边读边处理,有助于节约内存)

['city=北京', 'city=广州', 'city=深圳', 'temparatue']
(0, 0) 1.0
(0, 3) 20.0
(1, 2) 1.0
(1, 3) 40.0
(2, 1) 1.0
(2, 3) 60.0

  改变一下实话对象的参数(sparse默认为True,我们把他改为False)

#!/usr/bin/env python
# -*- coding: utf-8 -*-
#author tom from sklearn.feature_extraction import DictVectorizer l=[
{'city':'北京','temparatue':20},
{'city':'深圳','temparatue':40},
{'city':'广州','temparatue':60},
] def dictvec():
"""
字典数据抽取
:return:
"""
#实例化对象
dic=DictVectorizer(sparse=False)
#调用feature,参数是字典,或者把字典放置于可迭代对象中,比如说列表
data=dic.fit_transform(l)
print(dic.get_feature_names())
print(data) if __name__ == '__main__':
dictvec()

  结果:(ndaarray或者数组) 这个我们成为one-hot编码

['city=北京', 'city=广州', 'city=深圳', 'temparatue']
[[ 1. 0. 0. 20.]
[ 0. 0. 1. 40.]
[ 0. 1. 0. 60.]]

  2.关于字典特征抽取总结

  • DictVectorizer.fit_transform(x)
    • x:字典或者包含字典的迭代器
    • 返回值:sparse矩阵
  •  DictVectorizer.inverse_transform(X)
    • X:array数组或者sparse矩阵
    • 返回值:转换之前的数据格式
  • DictVectorizer.get_feature_names()
    • 返回类别特征
  • DictVectorizer.transform(X)
    • 按照原先的标准转换
       

  3.作用

把关于分类的特征值进行特征化以区分

三.文本特征抽取

  1.文本特征抽取

#!/usr/bin/env python
# -*- coding: utf-8 -*-
#author tom from sklearn.feature_extraction.text import CountVectorizer
l=['life is short ,i like python','life is long,i dislike python'] def countvec():
"""
对文本数据进行特征值化
:return:
"""
count=CountVectorizer()
data=count.fit_transform(l)
print(count.get_feature_names())
print(data)
print('-----分割线-----------')
#文本没有sparse参数,只能调用toarray()方法转换成array
print(data.toarray()) if __name__ == '__main__':
countvec()

  结果:

['dislike', 'is', 'life', 'like', 'long', 'python', 'short']
(0, 2) 1
(0, 1) 1
(0, 6) 1
(0, 3) 1
(0, 5) 1
(1, 2) 1
(1, 1) 1
(1, 5) 1
(1, 4) 1
(1, 0) 1
-----分割线-----------
[[0 1 1 1 0 1 1]
[1 1 1 0 1 1 0]]

  再来看一下中文的特征抽取

#!/usr/bin/env python
# -*- coding: utf-8 -*-
#author tom from sklearn.feature_extraction.text import CountVectorizer
l=['life is short ,i like python','life is long,i dislike python']
l1=['人生苦短,我喜欢python','人生漫长,我不用python']
def countvec():
"""
对文本数据进行特征值化
:return:
"""
count=CountVectorizer()
data=count.fit_transform(l1)
print(count.get_feature_names())
# print(data)
print('-----分割线-----------')
#文本没有sparse参数,只能调用toarray()方法转换成array
print(data.toarray()) if __name__ == '__main__':
countvec()

  结果:

['人生漫长', '人生苦短', '我不用python', '我喜欢python']
-----分割线-----------
[[0 1 0 1]
[1 0 1 0]]

  并没有太大的实际意义,所以我们手动对中文分词看看

#!/usr/bin/env python
# -*- coding: utf-8 -*-
#author tom from sklearn.feature_extraction.text import CountVectorizer
l=['life is short ,i like python','life is long,i dislike python']
l1=['人生 苦短,我 喜欢 python','人生 漫长,我 不用 python']
def countvec():
"""
对文本数据进行特征值化
:return:
"""
count=CountVectorizer()
data=count.fit_transform(l1)
print(count.get_feature_names())
# print(data)
print('-----分割线-----------')
#文本没有sparse参数,只能调用toarray()方法转换成array
print(data.toarray()) if __name__ == '__main__':
countvec()

  结果:

['python', '不用', '人生', '喜欢', '漫长', '苦短']
-----分割线-----------
[[1 0 1 1 0 1]
[1 1 1 0 1 0]]

  所以,我们需要借助分词工具,这边推荐结巴

pip install jieba

  实例:

#!/usr/bin/env python
# -*- coding: utf-8 -*-
#author tom
import jieba
from sklearn.feature_extraction.text import CountVectorizer def cutWord():
"""
利用结巴分词
:return: 分词后的字符串
"""
#切词
con1=jieba.cut('拥有万卷书的穷书生,并不想去和百万富翁交换钻石或股票。满足于田园生活的人也并不艳羡任何学者的荣誉头衔,或高官厚禄。')
con2=jieba.cut('苦乐全凭自已判断,这和客观环境并不一定有直接关系,正如一个不爱珠宝的女人,即使置身在极其重视虚荣的环境,也无伤她的自尊。')
con3=jieba.cut('人的一生常处于抉择之中,如:念哪一间大学?选哪一种职业?娶哪一种女子?……等等伤脑筋的事情。一个人抉择力的有无,可以显示其人格成熟与否。')
print(con1)
print(con2)
print(con3)
#转换成列表
content1=list(con1)
content2=list(con2)
content3=list(con3)
print(content1)
print(content2)
print(content3)
#把列表拼接成字符串(分词后的)
c1=' '.join(content1)
c2=' '.join(content2)
c3=' '.join(content3)
print(c1)
print(c2)
print(c3)
return c1,c2,c3 def chines_vec():
c1,c2,c3=cutWord()
count=CountVectorizer()
data=count.fit_transform([c1,c2,c3])
print(count.get_feature_names())
print(data.toarray())
if __name__ == '__main__':
chines_vec()

  结果:

['一个', '一生', '一种', '一间', '万卷书', '不想', '不爱', '与否', '之中', '事情', '交换', '人格', '任何', '伤脑筋', '关系', '判断', '即使', '可以', '处于', '大学', '头衔', '女人', '女子', '学者', '客观', '并不一定', '成熟', '抉择', '拥有', '无伤', '显示', '有无', '极其', '正如', '满足', '环境', '珠宝', '田园生活', '百万富翁', '直接', '穷书生', '等等', '置身', '职业', '股票', '自尊', '自已', '艳羡', '苦乐', '荣誉', '虚荣', '重视', '钻石', '高官厚禄']
[[0 0 0 0 1 1 0 0 0 0 1 0 1 0 0 0 0 0 0 0 1 0 0 1 0 0 0 0 1 0 0 0 0 0 1 0
0 1 1 0 1 0 0 0 1 0 0 1 0 1 0 0 1 1]
[1 0 0 0 0 0 1 0 0 0 0 0 0 0 1 1 1 0 0 0 0 1 0 0 1 1 0 0 0 1 0 0 1 1 0 2
1 0 0 1 0 0 1 0 0 1 1 0 1 0 1 1 0 0]
[1 1 2 1 0 0 0 1 1 1 0 1 0 1 0 0 0 1 1 1 0 0 1 0 0 0 1 2 0 0 1 1 0 0 0 0
0 0 0 0 0 1 0 1 0 0 0 0 0 0 0 0 0 0]]

  2.文本特征抽取的另一种方法TfidfVectorizer

    把上面的列子改一下

#!/usr/bin/env python
# -*- coding: utf-8 -*-
#author tom
import jieba
from sklearn.feature_extraction.text import CountVectorizer,TfidfVectorizer def cutWord():
"""
利用结巴分词
:return: 分词后的字符串
"""
#切词
con1=jieba.cut('拥有万卷书的穷书生,并不想去和百万富翁交换钻石或股票。满足于田园生活的人也并不艳羡任何学者的荣誉头衔,或高官厚禄。')
con2=jieba.cut('苦乐全凭自已判断,这和客观环境并不一定有直接关系,正如一个不爱珠宝的女人,即使置身在极其重视虚荣的环境,也无伤她的自尊。')
con3=jieba.cut('人的一生常处于抉择之中,如:念哪一间大学?选哪一种职业?娶哪一种女子?……等等伤脑筋的事情。一个人抉择力的有无,可以显示其人格成熟与否。')
print(con1)
print(con2)
print(con3)
#转换成列表
content1=list(con1)
content2=list(con2)
content3=list(con3)
print(content1)
print(content2)
print(content3)
#把列表拼接成字符串(分词后的)
c1=' '.join(content1)
c2=' '.join(content2)
c3=' '.join(content3)
print(c1)
print(c2)
print(c3)
return c1,c2,c3 def chines_vec():
c1,c2,c3=cutWord()
# count=CountVectorizer()
tf=TfidfVectorizer()
data=tf.fit_transform([c1,c2,c3])
print(tf.get_feature_names())
print(data.toarray())
if __name__ == '__main__':
chines_vec()

  结果:(值越高越重要,可以作为分类的依据)

['一个', '一生', '一种', '一间', '万卷书', '不想', '不爱', '与否', '之中', '事情', '交换', '人格', '任何', '伤脑筋', '关系', '判断', '即使', '可以', '处于', '大学', '头衔', '女人', '女子', '学者', '客观', '并不一定', '成熟', '抉择', '拥有', '无伤', '显示', '有无', '极其', '正如', '满足', '环境', '珠宝', '田园生活', '百万富翁', '直接', '穷书生', '等等', '置身', '职业', '股票', '自尊', '自已', '艳羡', '苦乐', '荣誉', '虚荣', '重视', '钻石', '高官厚禄']
[[0. 0. 0. 0. 0.25 0.25
0. 0. 0. 0. 0.25 0.
0.25 0. 0. 0. 0. 0.
0. 0. 0.25 0. 0. 0.25
0. 0. 0. 0. 0.25 0.
0. 0. 0. 0. 0.25 0.
0. 0.25 0.25 0. 0.25 0.
0. 0. 0.25 0. 0. 0.25
0. 0.25 0. 0. 0.25 0.25 ]
[0.16005431 0. 0. 0. 0. 0.
0.21045218 0. 0. 0. 0. 0.
0. 0. 0.21045218 0.21045218 0.21045218 0.
0. 0. 0. 0.21045218 0. 0.
0.21045218 0.21045218 0. 0. 0. 0.21045218
0. 0. 0.21045218 0.21045218 0. 0.42090436
0.21045218 0. 0. 0.21045218 0. 0.
0.21045218 0. 0. 0.21045218 0.21045218 0.
0.21045218 0. 0.21045218 0.21045218 0. 0. ]
[0.15340416 0.20170804 0.40341607 0.20170804 0. 0.
0. 0.20170804 0.20170804 0.20170804 0. 0.20170804
0. 0.20170804 0. 0. 0. 0.20170804
0.20170804 0.20170804 0. 0. 0.20170804 0.
0. 0. 0.20170804 0.40341607 0. 0.
0.20170804 0.20170804 0. 0. 0. 0.
0. 0. 0. 0. 0. 0.20170804
0. 0.20170804 0. 0. 0. 0.
0. 0. 0. 0. 0. 0. ]]

  解读:TfidfVectorizer

  

  

  

  3.文本特征的作用

  • 文本分类
  • 情感分析
  • 单个英文字母,单个汉字不纳入统计,没有意义

Scikit-learn之特征抽取的更多相关文章

  1. scikit learn 模块 调参 pipeline+girdsearch 数据举例:文档分类 (python代码)

    scikit learn 模块 调参 pipeline+girdsearch 数据举例:文档分类数据集 fetch_20newsgroups #-*- coding: UTF-8 -*- import ...

  2. (原创)(三)机器学习笔记之Scikit Learn的线性回归模型初探

    一.Scikit Learn中使用estimator三部曲 1. 构造estimator 2. 训练模型:fit 3. 利用模型进行预测:predict 二.模型评价 模型训练好后,度量模型拟合效果的 ...

  3. (原创)(四)机器学习笔记之Scikit Learn的Logistic回归初探

    目录 5.3 使用LogisticRegressionCV进行正则化的 Logistic Regression 参数调优 一.Scikit Learn中有关logistics回归函数的介绍 1. 交叉 ...

  4. Scikit Learn: 在python中机器学习

    转自:http://my.oschina.net/u/175377/blog/84420#OSC_h2_23 Scikit Learn: 在python中机器学习 Warning 警告:有些没能理解的 ...

  5. Scikit Learn

    Scikit Learn Scikit-Learn简称sklearn,基于 Python 语言的,简单高效的数据挖掘和数据分析工具,建立在 NumPy,SciPy 和 matplotlib 上.

  6. Linear Regression with Scikit Learn

    Before you read  This is a demo or practice about how to use Simple-Linear-Regression in scikit-lear ...

  7. 如何使用scikit—learn处理文本数据

    答案在这里:http://www.tuicool.com/articles/U3uiiu http://scikit-learn.org/stable/modules/feature_extracti ...

  8. Query意图分析:记一次完整的机器学习过程(scikit learn library学习笔记)

    所谓学习问题,是指观察由n个样本组成的集合,并根据这些数据来预测未知数据的性质. 学习任务(一个二分类问题): 区分一个普通的互联网检索Query是否具有某个垂直领域的意图.假设现在有一个O2O领域的 ...

  9. 机器学习框架Scikit Learn的学习

    一   安装 安装pip 代码如下:# wget "https://pypi.python.org/packages/source/p/pip/pip-1.5.4.tar.gz#md5=83 ...

  10. Python第三方库(模块)"scikit learn"以及其他库的安装

    scikit-learn是一个用于机器学习的 Python 模块. 其主页:http://scikit-learn.org/stable/. GitHub地址: https://github.com/ ...

随机推荐

  1. python多线程交替打印abc以及线程池进程池的相关概念

    import threading import sys import time def showa(): while True: lockc.acquire() #获取对方的锁,释放自己的锁 prin ...

  2. LVS + keepalived的实现

    ! Configuration File for keepalived global_defs { notification_email { linuxedu@foxmail.com mageedu@ ...

  3. Python练习 ——名片管理系统(增添,删除,查找,修改)

    需要注意的一个地方是,如果你用的版本是3.6的,那么下面的用到的所有从外界接收信息所用到的input()用input()就行了,如果是2.7版本,那么如果接收的是字符串要用raw_input()(将接 ...

  4. 吴裕雄--python学习笔记:爬虫基础

    一.什么是爬虫 爬虫:一段自动抓取互联网信息的程序,从互联网上抓取对于我们有价值的信息. 二.Python爬虫架构 Python 爬虫架构主要由五个部分组成,分别是调度器.URL管理器.网页下载器.网 ...

  5. 吴裕雄--天生自然KITTEN编程:小猫解题

    作品链接:https://ide.codemao.cn/we/36447034

  6. GDB调试指南-单步调试

    前言 前面通过<启动调试>,<断点设置>,<变量查看>,我们已经了解了GDB基本的启动,设置断点,查看变量等,如果这些内容你还不知道,建议先回顾一下前面的内容.在启 ...

  7. Linux内核初探 之 进程(三) —— 进程调度算法

    一.基本概念 抢占 Linux提供抢占式多任务,基于时间片和优先级对进程进行强制挂起 非抢占的系统需要进程自己让步(yielding) 进程类型 IO消耗型 经常处于可运行态,等待IO操作过程会阻塞 ...

  8. ProjectSend R561 SQL INJ Analysis

    注入出现在./client-edit.php中 ...... if (isset($_GET['id'])) { $client_id = mysql_real_escape_string($_GET ...

  9. 从未来看 C#

    前言 如今 C# 虽然发展到了 8.0 版本,引入了诸多的函数式特性,但其实在 C# 未来的规划当中,还有很多足以大规模影响现有 C# 代码结构和组成的特性,本文中将会对就重要的特性进行介绍,并用代码 ...

  10. 使用web写UI, 使用js对接C++项目, 提高开发效率

    ppt资源下载地址https://www.slidestalk.com/s/webui_nodejs_cmdlrx