[英]Remove single occurrences of words in vocabulary TF-IDF
我试图删除在我的词汇表中出现一次的单词以减少我的词汇量。 我在我的数据框中使用 sklearn TfidfVectorizer() 和 fit_transform 函数。
tfidf = TfidfVectorizer()
tfs = tfidf.fit_transform(df['original_post'].values.astype('U'))
我的第一个想法是tfidf向量化器中的预处理器字段或使用机器学习之前的预处理包。
任何进一步实施的提示或链接?
您正在从 scikit-learn TfidfVectorizer
的文档中寻找min_df
参数(最小频率):
min_df : 在 [0.0, 1.0] 或 int 范围内浮动,默认值=1
在构建词汇表时,忽略文档频率严格低于给定阈值的术语。 该值在文献中也称为截止值。 如果是float,该参数代表文档的比例,整数绝对计数。 如果词汇表不是 None,则忽略此参数。
# remove words occuring less than 5 times
tfidf = TfidfVectorizer(min_df=5)
您还可以删除常用词:
# remove words occuring in more than half the documents
tfidf = TfidfVectorizer(max_df=0.5)
您还可以像这样删除停用词:
tfidf = TfidfVectorizer(stop_words='english')
ShmulikA 的答案很可能效果很好,但会根据文档频率删除单词。 因此,如果特定单词仅在 1 个文档中出现 200 次,它将被删除。 TF-IDF 向量化器不能准确提供您想要的。 你必须:
for every document in corpus: for word in document: vocabulary[word] += 1
现在,找出是否有值 = 1,从字典中删除这些条目。 将键放入列表并将列表作为参数传递给 TF-IDF 向量化器。
它将需要大量循环,也许只需使用 min_df,这在实践中效果很好。
声明:本站的技术帖子网页,遵循CC BY-SA 4.0协议,如果您需要转载,请注明本站网址或者原文地址。任何问题请咨询:yoyou2525@163.com.