问题:将 sklearn 的 CountVectorizer 和 TfidfTransformer 产生的稀疏矩阵转换为 Pandas DataFrame 列的最佳方法是什么?每个二元组及其相应的频率和 tf-idf 分数都有一个单独的行?
管道:从 SQL DB 引入文本数据,将文本拆分为二元组,并计算每个文档的频率和每个文档每个二元组的 tf-idf,将结果加载回 SQL 数据库。
当前状态:
引入两列数据(number
, text
). text
被清洗以产生第三根柱cleanText
:
number text cleanText
0 123 The farmer plants grain farmer plants grain
1 234 The farmer and his son go fishing farmer son go fishing
2 345 The fisher catches tuna fisher catches tuna
该 DataFrame 被输入到 sklearn 的特征提取中:
cv = CountVectorizer(token_pattern=r"(?u)\b\w+\b", stop_words=None, ngram_range=(2,2), analyzer='word')
dt_mat = cv.fit_transform(data.cleanText)
tfidf_transformer = TfidfTransformer()
tfidf_mat = tfidf_transformer.fit_transform(dt_mat)
然后将矩阵转换为数组后反馈到原始 DataFrame 中:
data['frequency'] = list(dt_mat.toarray())
data['tfidf_score']=list(tfidf_mat.toarray())
Output:
number text cleanText \
0 123 The farmer plants grain farmer plants grain
1 234 The farmer and his son go fishing farmer son go fishing
2 345 The fisher catches tuna fisher catches tuna
frequency tfidf_score
0 [0, 1, 0, 0, 0, 1, 0] [0.0, 0.707106781187, 0.0, 0.0, 0.0, 0.7071067...
1 [0, 0, 1, 0, 1, 0, 1] [0.0, 0.0, 0.57735026919, 0.0, 0.57735026919, ...
2 [1, 0, 0, 1, 0, 0, 0] [0.707106781187, 0.0, 0.0, 0.707106781187, 0.0...
问题:
- 特征名称(即二元组)不在 DataFrame 中
- The
frequency
and tfidf_score
每个二元组不在单独的行上
期望的输出:
number bigram frequency tfidf_score
0 123 farmer plants 1 0.70
0 123 plants grain 1 0.56
1 234 farmer son 1 0.72
1 234 son go 1 0.63
1 234 go fishing 1 0.34
2 345 fisher catches 1 0.43
2 345 catches tuna 1 0.43
我设法使用以下代码将数字列之一分配给 DataFrame 的单独行:
data.reset_index(inplace=True)
rows = []
_ = data.apply(lambda row: [rows.append([row['number'], nn])
for nn in row.tfidf_score], axis=1)
df_new = pd.DataFrame(rows, columns=['number', 'tfidf_score'])
Output:
number tfidf_score
0 123 0.000000
1 123 0.707107
2 123 0.000000
3 123 0.000000
4 123 0.000000
5 123 0.707107
6 123 0.000000
7 234 0.000000
8 234 0.000000
9 234 0.577350
10 234 0.000000
11 234 0.577350
12 234 0.000000
13 234 0.577350
14 345 0.707107
15 345 0.000000
16 345 0.000000
17 345 0.707107
18 345 0.000000
19 345 0.000000
20 345 0.000000
但是,我不确定如何对两个数字列执行此操作,并且这不会引入二元组(功能名称)本身。另外,此方法需要一个数组(这就是我首先将稀疏矩阵转换为数组的原因),并且由于性能问题以及随后我必须删除无意义的行的事实,我希望尽可能避免这种情况。
任何见解都将不胜感激!非常感谢您花时间阅读这个问题 - 对于篇幅,我深表歉意。如果我可以做些什么来改进问题或澄清我的流程,请告诉我。