如何用高位单词创建特征向量（在scikit-learn中选择特征）

Question

我正在使用scikit-learn创建文档的特征向量。 我的目标是使用这些功能向量创建一个二进制分类器（Genderclassifier）。

我想将k顶单词作为功能，因此两个标签文档中k个计数最高的单词（k = 10-> 20个功能，因为有2个标签）

我的两个文档（label1document，label2document）都充满了这样的实例：

user:somename, post:"A written text which i use"

到目前为止，我的理解是，我使用两个文档中所有实例的所有文本来创建带有计数（两个标签都计数，以便我可以比较labeldata）的词汇表：

#These are my documents with all text
label1document = "car eat essen sleep sleep"
label2document = "eat sleep woman woman woman woman"

vectorizer = CountVectorizer(min_df=1)

corpus = [label1document,label2document]

#Here I create a Matrix with all the countings of the words from both documents  
X = vectorizer.fit_transform(corpus)

问题1：我必须放入fit_transform中才能从两个标签中获得最多计数的单词？

X_new = SelectKBest(chi2, k=2).fit_transform( ?? )

从最后开始，我想要这样的训练数据（实例）：

<label>  <feature1 : value> ... <featureN: value>

问题2：如何从那里获取此培训数据？

奥利弗

Answer 1

import pandas as pd

# get the names of the features
features = vectorizer.get_feature_names()

# change the matrix from sparse to dense
df = pd.DataFrame(X.toarray(), columns = features)

df

它将返回：

    car eat essen   sleep   woman
0   1   1   1   2   0
1   0   1   0   1   4

然后获得最常用的术语：

highest_frequency = df.max()
highest_frequency.sort(ascending=False)
highest_frequency

哪个会返回：

woman    4
sleep    2
essen    1
eat      1
car      1
dtype: int64

将数据保存在DataFrame ，可以很容易地将其DataFrame为所需的格式，例如：

df.to_dict()
>>> {u'car': {0: 1, 1: 0},
 u'eat': {0: 1, 1: 1},
 u'essen': {0: 1, 1: 0},
 u'sleep': {0: 2, 1: 1},
 u'woman': {0: 0, 1: 4}}

df.to_json()
>>>'{"car":{"0":1,"1":0},"eat":{"0":1,"1":1},"essen":{"0":1,"1":0},"sleep":{"0":2,"1":1},"woman":{"0":0,"1":4}}'


df.to_csv()
>>>',car,eat,essen,sleep,woman\n0,1,1,1,2,0\n1,0,1,0,1,4\n'

这是一些有用的文档 。