CountVectorizer详解

CountVectorizer详解

1、引入countvectorizer

from sklearn.feature_extraction.text import CountVectorizer

2、定义文本列表，这里写了个二维的。

from sklearn.feature_extraction.text import CountVectorizer
X_test = ['you are good','but we do not fit']

3、文本向量化与函数展示

from sklearn.feature_extraction.text import CountVectorizer
X_test = ['you are good','but we do not fit']
vectorizer = CountVectorizer()
count = vectorizer.fit_transform(X_test)
print(count)
print(vectorizer.get_feature_names())
print(vectorizer.vocabulary_)
print(count.toarray())

结果如下：

（1）这个文本有哪些词汇，用get_feature_names()函数，得到的结果是[‘are’, ‘but’, ‘do’, ‘fit’, ‘good’, ‘not’, ‘we’, ‘you’]，按首字母顺序来排列的。
（2）文本各个词汇按首字母的位置是几号，用vocabulary_函数，得到{‘you’: 7, ‘are’: 0, ‘good’: 4, ‘but’: 1, ‘we’: 6, ‘do’: 2, ‘not’: 5, ‘fit’: 3}，比如are的首字母是a，排在第一位，序号为0。
（3）每个句子出现了哪些单词，用toarray（）函数。1表示出现，0表示没出现。

所以toarray（）输出的是二维的。
（4）文本词汇出现的频率，用vectorizer.fit_transform(文本)进行统计，统计的字段如下表所示，其中前两列算是位置，最后一列是词频，就得到python中的输出。

4、参数
参数可以自己搜，只要把countvectorizer的函数计算规则返回值搞清楚了，什么参数都简单。