CountVectorizer#

класс sklearn.feature_extraction.text.CountVectorizer(*, input='content', encoding='utf-8', decode_error='strict', strip_accents=None, lowercase=True, preprocessor=None, tokenizer=None, stop_words=None, token_pattern='(?u)\\b\\w\\w+\\b', ngram_range=(1, 1), analyzer='word', max_df=1.0, min_df=1, max_features=None, vocabulary=None, binary=False, dtype= 'numpy.int64'>)[источник]#

Преобразование коллекции текстовых документов в матрицу количества токенов.

Эта реализация создает разреженное представление счетчиков с использованием scipy.sparse.csr_matrix.

Если вы не предоставляете априорный словарь и не используете анализатор, выполняющий какой-либо отбор признаков, то количество признаков будет равно размеру словаря, найденного при анализе данных.

Для сравнения эффективности различных экстракторов признаков см. Сравнение FeatureHasher и DictVectorizer.

Подробнее в Руководство пользователя.

Параметры:
входные данные{'filename', 'file', 'content'}, по умолчанию='content'

  • Если 'filename', последовательность, передаваемая в качестве аргумента в fit, ожидается быть списком имён файлов, которые необходимо прочитать для получения исходного содержимого для анализа.

  • Если 'file', элементы последовательности должны иметь метод 'read' (объект, подобный файлу), который вызывается для получения байтов в памяти.

  • Если 'content', ожидается, что входные данные будут последовательностью элементов, которые могут быть строкового или байтового типа.

кодировкаstr, по умолчанию='utf-8'

Если для анализа переданы байты или файлы, это кодирование используется для декодирования.

decode_error{‘strict’, ‘ignore’, ‘replace’}, по умолчанию ‘strict’

Инструкция о том, что делать, если для анализа предоставлена байтовая последовательность, содержащая символы, не соответствующие заданному encoding. По умолчанию это 'strict', что означает, что будет вызвана ошибка UnicodeDecodeError. Другие значения: 'ignore' и 'replace'.

strip_accents{'ascii', 'unicode'} или вызываемый объект, по умолчанию=None

Удаление акцентов и выполнение другой нормализации символов на этапе предварительной обработки. 'ascii' — быстрый метод, который работает только с символами, имеющими прямое отображение в ASCII. 'unicode' — немного более медленный метод, который работает с любыми символами. None (по умолчанию) означает, что нормализация символов не выполняется.

И 'ascii', и 'unicode' используют нормализацию NFKD из unicodedata.normalize.

нижний регистрbool, по умолчанию=True

Преобразовать все символы в нижний регистр перед токенизацией.

препроцессорвызываемый объект, по умолчанию=None

Переопределить этап предварительной обработки (удаление диакритических знаков и приведение к нижнему регистру), сохраняя шаги токенизации и генерации n-грамм. Применяется только если analyzer не является вызываемым.

токенизаторвызываемый объект, по умолчанию=None

Переопределить шаг токенизации строк, сохраняя шаги предобработки и генерации n-грамм. Применяется только если analyzer == 'word'.

stop_words{‘english’}, list, default=None

Если 'english', используется встроенный список стоп-слов для английского языка. Существует несколько известных проблем с 'english', и вам следует рассмотреть альтернативу (см. Использование стоп-слов).

Если список, предполагается, что этот список содержит стоп-слова, все из которых будут удалены из результирующих токенов. Применяется только если analyzer == 'word'.

Если None, стоп-слова не будут использоваться. В этом случае установка max_df до более высокого значения, например, в диапазоне (0.7, 1.0), может автоматически обнаруживать и фильтровать стоп-слова на основе внутрикорпусной частоты документов терминов.

token_patternstr или None, default=r"(?u)\b\w\w+\b"

Регулярное выражение, обозначающее, что составляет «токен», используется только если analyzer == 'word'. По умолчанию регулярное выражение выбирает токены из 2 или более буквенно-цифровых символов (знаки пунктуации полностью игнорируются и всегда рассматриваются как разделители токенов).

Если в token_pattern есть захватывающая группа, то захваченное содержимое группы, а не все совпадение, становится токеном. Допускается не более одной захватывающей группы.

ngram_rangeкортеж (min_n, max_n), по умолчанию=(1, 1)

Нижняя и верхняя границы диапазона значений n для извлечения различных n-грамм слов или символов. Будут использованы все значения n, такие что min_n <= n <= max_n. Например, ngram_range of (1, 1) означает только униграммы, (1, 2) средние значения униграмм и биграмм, и (2, 2) означает только биграммы. Применяется только если analyzer не является вызываемым.

analyzer{‘word’, ‘char’, ‘char_wb’} или вызываемый, по умолчанию='word'

Должен ли признак состоять из n-грамм слов или n-грамм символов. Опция 'char_wb' создает n-граммы символов только из текста внутри границ слов; n-граммы на краях слов дополняются пробелом.

Если передана вызываемая функция, она используется для извлечения последовательности признаков из необработанного входного сигнала.

Изменено в версии 0.21.

Начиная с версии 0.21, если input является filename или file, данные сначала считываются из файла, а затем передаются в заданный вызываемый анализатор.

max_dffloat в диапазоне [0.0, 1.0] или int, по умолчанию=1.0

При построении словаря игнорировать термины, имеющие частоту документа строго выше заданного порога (стоп-слова, специфичные для корпуса). Если значение float, параметр представляет долю документов, целое число — абсолютные количества. Этот параметр игнорируется, если vocabulary не None.

min_dffloat в диапазоне [0.0, 1.0] или int, по умолчанию=1

При построении словаря игнорировать термины, частота документов которых строго ниже заданного порога. Это значение также называется отсечкой в литературе. Если float, параметр представляет долю документов, integer - абсолютные количества. Этот параметр игнорируется, если vocabulary не None.

max_featuresint, default=None

Если не None, создает словарь, который учитывает только верхние max_features упорядочены по частоте терминов в корпусе. В противном случае используются все признаки.

Этот параметр игнорируется, если vocabulary не None.

vocabularyMapping или iterable, по умолчанию=None

Либо отображение (например, словарь), где ключи — это термины, а значения — индексы в матрице признаков, либо итерируемый объект по терминам. Если не задано, словарь определяется из входных документов. Индексы в отображении не должны повторяться и не должно быть пропусков между 0 и наибольшим индексом.

бинарныйbool, по умолчанию=False

Если True, все ненулевые счётчики устанавливаются в 1. Это полезно для дискретных вероятностных моделей, которые моделируют бинарные события, а не целочисленные счётчики.

dtypedtype, по умолчанию=np.int64

Тип матрицы, возвращаемой fit_transform() или transform().

Атрибуты:
vocabulary_dict

Отображение терминов в индексы признаков.

fixed_vocabulary_bool

True, если пользователем предоставлен фиксированный словарь соответствий терминов индексам.

Смотрите также

HashingVectorizer

Преобразование коллекции текстовых документов в матрицу количества токенов.

TfidfVectorizer

Преобразовать коллекцию необработанных документов в матрицу признаков TF-IDF.

Примеры

>>> from sklearn.feature_extraction.text import CountVectorizer
>>> corpus = [
...     'This is the first document.',
...     'This document is the second document.',
...     'And this is the third one.',
...     'Is this the first document?',
... ]
>>> vectorizer = CountVectorizer()
>>> X = vectorizer.fit_transform(corpus)
>>> vectorizer.get_feature_names_out()
array(['and', 'document', 'first', 'is', 'one', 'second', 'the', 'third',
       'this'], ...)
>>> print(X.toarray())
[[0 1 1 1 0 0 1 0 1]
 [0 2 0 1 0 1 1 0 1]
 [1 0 0 1 1 0 1 1 1]
 [0 1 1 1 0 0 1 0 1]]
>>> vectorizer2 = CountVectorizer(analyzer='word', ngram_range=(2, 2))
>>> X2 = vectorizer2.fit_transform(corpus)
>>> vectorizer2.get_feature_names_out()
array(['and this', 'document is', 'first document', 'is the', 'is this',
       'second document', 'the first', 'the second', 'the third', 'third one',
       'this document', 'this is', 'this the'], ...)
 >>> print(X2.toarray())
 [[0 0 1 1 0 0 1 0 0 0 0 1 0]
 [0 1 0 1 0 1 0 1 0 0 1 0 0]
 [1 0 0 1 0 0 0 0 1 1 0 1 0]
 [0 0 1 0 1 0 1 0 0 0 0 0 1]]
build_analyzer()[источник]#

Возвращает вызываемый объект для обработки входных данных.

Вызываемый объект обрабатывает предобработку, токенизацию и генерацию n-грамм.

Возвращает:
analyzer: вызываемый объект

Функция для обработки предварительной обработки, токенизации и генерации n-грамм.

build_preprocessor()[источник]#

Возвращает функцию для предварительной обработки текста перед токенизацией.

Возвращает:
препроцессор: вызываемый объект

Функция для предварительной обработки текста перед токенизацией.

build_tokenizer()[источник]#

Возвращает функцию, которая разбивает строку на последовательность токенов.

Возвращает:
tokenizer: вызываемый объект

Функция для разделения строки на последовательность токенов.

декодировать(doc)[источник]#

Декодировать входные данные в строку символов Unicode.

Стратегия декодирования зависит от параметров векторизатора.

Параметры:
docbytes или str

Строка для декодирования.

Возвращает:
doc: str

Строка символов юникода.

fit(raw_documents, y=None)[источник]#

Изучить словарный запас всех токенов в исходных документах.

Параметры:
raw_documentsитерируемый объект

Итерируемый объект, который генерирует либо str, unicode, либо файловые объекты.

yNone

Этот параметр игнорируется.

Возвращает:
selfobject

Подобранный векторизатор.

fit_transform(raw_documents, y=None)[источник]#

Изучите словарь и верните матрицу документ-термин.

Это эквивалентно fit, за которым следует transform, но реализовано более эффективно.

Параметры:
raw_documentsитерируемый объект

Итерируемый объект, который генерирует либо str, unicode, либо файловые объекты.

yNone

Этот параметр игнорируется.

Возвращает:
Xмассив формы (n_samples, n_features)

Матрица документ-термин.

get_feature_names_out(input_features=None)[источник]#

Получить имена выходных признаков для преобразования.

Параметры:
input_featuresarray-like из str или None, по умолчанию=None

Не используется, присутствует здесь для согласованности API по соглашению.

Возвращает:
feature_names_outndarray из str объектов

Преобразованные имена признаков.

6332()[источник]#

Получить маршрутизацию метаданных этого объекта.

Пожалуйста, проверьте Руководство пользователя о том, как работает механизм маршрутизации.

Возвращает:
маршрутизацияMetadataRequest

A MetadataRequest Инкапсуляция информации о маршрутизации.

get_params(глубокий=True)[источник]#

Получить параметры для этого оценщика.

Параметры:
глубокийbool, по умолчанию=True

Если True, вернет параметры для этого оценщика и вложенных подобъектов, которые являются оценщиками.

Возвращает:
paramsdict

Имена параметров, сопоставленные с их значениями.

get_stop_words()[источник]#

Построить или получить эффективный список стоп-слов.

Возвращает:
stop_words: list или None

Список стоп-слов.

inverse_transform(X)[источник]#

Возвращает термины на документ с ненулевыми элементами в X.

Параметры:
X{array-like, sparse matrix} формы (n_samples, n_features)

Матрица документ-термин.

Возвращает:
X_originalсписок массивов формы (n_samples,)

Список массивов терминов.

set_params(**params)[источник]#

Установить параметры этого оценщика.

Метод работает как на простых оценщиках, так и на вложенных объектах (таких как Pipeline). Последние имеют параметры вида __ чтобы можно было обновить каждый компонент вложенного объекта.

Параметры:
**paramsdict

Параметры оценщика.

Возвращает:
selfэкземпляр estimator

Экземпляр оценщика.

преобразовать(raw_documents)[источник]#

Преобразовать документы в матрицу документ-термин.

Извлекает подсчет токенов из необработанных текстовых документов с использованием словаря, подобранного с помощью fit или предоставленного конструктору.

Параметры:
raw_documentsитерируемый объект

Итерируемый объект, который генерирует либо str, unicode, либо файловые объекты.

Возвращает:
Xразреженная матрица формы (n_samples, n_features)

Матрица документ-термин.