本文為大家分享了Python文本特征抽取與向量化的具體代碼，供大家參考，具體内容如下
假設我們剛看完諾蘭的大片《星際穿越》，設想如何讓機器來自動分析各位觀衆對電影的評價到底是“贊”(positive)還是“踩”(negative)呢？
這類問題就屬于情感分析問題。這類問題處理的第一步，就是将文本轉換為特征。
是以，這章我們隻學習第一步，如何從文本中抽取特征，并将其向量化。
由于中文的處理涉及到分詞問題，本文用一個簡單的例子來說明如何使用Python的機器學習庫，對英文進行特征提取。
1、資料準備
Python的sklearn.datasets支援從目錄讀取所有分類好的文本。不過目錄必須按照一個檔案夾一個标簽名的規則放好。比如本文使用的資料集共有2個标簽，一個為“net”，一個為“pos”，每個目錄下面有6個文本檔案。目錄如下所示：
neg
1.txt
2.txt
......
pos
1.txt
2.txt
....
12個檔案的内容彙總起來如下所示：
neg:
shit.
waste my money.
waste of money.
sb movie.
waste of time.
a shit movie.
pos:
nb! nb movie!
nb!
worth my money.
I love this movie!
a nb movie.
worth it!
2、文本特征
如何從這些英文中抽取情感态度而進行分類呢？
最直覺的做法就是抽取單詞。通常認為，很多關鍵詞能夠反映說話者的态度。比如上面這個簡單的資料集，很容易發現，凡是說了“shit”的，就一定屬于neg類。
當然，上面資料集是為了友善描述而簡單設計的。現實中一個詞經常會有穆棱兩可的态度。但是仍然有理由相信，某個單詞在neg類中出現的越多，那麼他表示neg态度的機率越大。
同樣我們注意到有些單詞對情感分類是毫無意義的。比如上述資料中的“of”，“I”之類的單詞。這類詞有個名字，叫“Stop_Word”(停用詞)。這類詞是可以完全忽略掉不做統計的。顯然忽略掉這些詞，詞頻記錄的存儲空間能夠得到優化，而且建構速度也更快。
把每個單詞的詞頻作為重要的特征也存在一個問題。比如上述資料中的”movie“，在12個樣本中出現了5次，但是出現正反兩邊次數差不多，沒有什麼區分度。而”worth“出現了2次，但卻隻出現在pos類中，顯然更具有強烈的剛晴色彩，即區分度很高。
是以，我們需要引入TF-IDF(Term Frequency-Inverse Document Frequency，詞頻和逆向檔案頻率)對每個單詞做進一步考量。
TF(詞頻)的計算很簡單，就是針對一個檔案t，某個單詞Nt 出現在該文檔中的頻率。比如文檔“I love this movie”，單詞“love”的TF為1/4。如果去掉停用詞“I"和”it“，則為1/2。
IDF(逆向檔案頻率)的意義是，對于某個單詞t，凡是出現了該單詞的文檔數Dt，占了全部測試文檔D的比例，再求自然對數。
比如單詞“movie“一共出現了5次，而文檔總數為12，是以IDF為ln(5/12)。
很顯然，IDF是為了凸顯那種出現的少，但是占有強烈感情色彩的詞語。比如“movie”這樣的詞的IDF=ln(12/5)=0.88，遠小于“love”的IDF=ln(12/1)=2.48。
TF-IDF就是把二者簡單的乘在一起即可。這樣，求出每個文檔中，每個單詞的TF-IDF，就是我們提取得到的文本特征值。
3、向量化
有了上述基礎，就能夠将文檔向量化了。我們先看代碼，再來分析向量化的意義：
# -*- coding: utf-8 -*-
import scipy as sp
import numpy as np
from sklearn.datasets import load_files
from sklearn.cross_validation import train_test_split
from sklearn.feature_extraction.text import TfidfVectorizer
'''''加載資料集，切分資料集80%訓練，20%測試'''
movie_reviews = load_files('endata')
doc_terms_train, doc_terms_test, y_train, y_test\
= train_test_split(movie_reviews.data, movie_reviews.target, test_size = 0.3)
'''''BOOL型特征下的向量空間模型，注意，測試樣本調用的是transform接口'''
count_vec = TfidfVectorizer(binary = False, decode_error = 'ignore',\
stop_words = 'english')
x_train = count_vec.fit_transform(doc_terms_train)
x_test = count_vec.transform(doc_terms_test)
x = count_vec.transform(movie_reviews.data)
y = movie_reviews.target
print(doc_terms_train)
print(count_vec.get_feature_names())
print(x_train.toarray())
print(movie_reviews.target)
運作結果如下：
[b'waste of time.', b'a shit movie.', b'a nb movie.', b'I love this movie!', b'shit.', b'worth my money.', b'sb movie.', b'worth it!']
['love', 'money', 'movie', 'nb', 'sb', 'shit', 'time', 'waste', 'worth']
[[ 0. 0. 0. 0. 0. 0. 0.70710678 0.70710678 0. ]
[ 0. 0. 0.60335753 0. 0. 0.79747081 0. 0. 0. ]
[ 0. 0. 0.53550237 0.84453372 0. 0. 0. 0. 0. ]
[ 0.84453372 0. 0.53550237 0. 0. 0. 0. 0. 0. ]
[ 0. 0. 0. 0. 0. 1. 0. 0. 0. ]
[ 0. 0.76642984 0. 0. 0. 0. 0. 0. 0.64232803]
[ 0. 0. 0.53550237 0. 0.84453372 0. 0. 0. 0. ]
[ 0. 0. 0. 0. 0. 0. 0. 0. 1. ]]
[1 1 0 1 0 1 0 1 1 0 0 0]
python輸出的比較混亂。我這裡做了一個表格如下：
從上表可以發現如下幾點：
1、停用詞的過濾。
初始化count_vec的時候，我們在count_vec構造時傳遞了stop_words = 'english'，表示使用預設的英文停用詞。可以使用count_vec.get_stop_words()檢視TfidfVectorizer内置的所有停用詞。當然，在這裡可以傳遞你自己的停用詞list(比如這裡的“movie”)
2、TF-IDF的計算。
這裡詞頻的計算使用的是sklearn的TfidfVectorizer。這個類繼承于CountVectorizer，在後者基本的詞頻統計基礎上增加了如TF-IDF之類的功能。
我們會發現這裡計算的結果跟我們之前計算不太一樣。因為這裡count_vec構造時預設傳遞了max_df=1，是以TF-IDF都做了規格化處理，以便将所有值限制在[0,1]之間。
3、count_vec.fit_transform的結果是一個巨大的矩陣。我們可以看到上表中有大量的0，是以sklearn在内部實作上使用了稀疏矩陣。本例子資料較小。如果讀者有興趣，可以試試機器學習科研工作者使用的真實資料，來自康奈爾大學：http://www.cs.cornell.edu/people/pabo/movie-review-data/。這個網站提供了很多資料集，其中有幾個2M左右的資料庫，正反例700個左右。這樣的資料規模也不算大，1分鐘内還是可以跑完的，建議大家試一試。不過要注意這些資料集可能存在非法字元問題。是以在構造count_vec時，傳入了decode_error = 'ignore'，以忽略這些非法字元。
上表的結果，就是訓練8個樣本的8個特征的一個結果。這個結果就可以使用各種分類算法進行分類了。
以上就是本文的全部内容，希望對大家的學習有所幫助，也希望大家多多支援找一找教程網。