'''
将原始数据的word特征数字化为countvector特征，并将结果保存到本地
article特征可做类似处理
'''
import pandas as pd
from sklearn.feature_extraction.text import countvectororizer
import pickle
import time
t_start = time.time()
"""=====================================================================================================================
1 数据预处理
"""
# 读取原始数据train和test文件
df_train=pd.read_csv('train_set.csv')
df_test=pd.read_csv('test_set.csv')
# 删除特征article，只保留特征word
df_train.drop(columns='article', inplace=True)
df_test.drop(columns='article', inplace=True)
# 按行拼接df_train和df_test
df_all = pd.concat(objs=[df_train, df_test], axis=0, sort=True)
# 获取train文件中的特征class
y_train = (df_train['class'] - 1).values
"""=====================================================================================================================
2 特征工程
"""
print('2 特征工程')
# 将原始数据数字化为countvector特征
vectorizer = countvectororizer(ngram_range=(1, 2), min_df=100, max_df=0.8)
vectorizer.fit(df_all['word_seg'])
x_train = vectorizer.transform(df_train['word_seg'])
x_test = vectorizer.transform(df_test['word_seg'])
"""=====================================================================================================================
3 保存至本地
"""
print('3 保存特征')
data = (x_train, y_train, x_test)
with open('countvector_word.pkl', 'wb') as f:
pickle.dump(data,f)
t_end = time.time()
print("共耗时：{}min".format((t_end-t_start)/60))
