Python scikit-learn：使用文本和数字变量对数据集进行预测

Question

我有一个项目数据集，我想使用 Python 和 scikit-learn 来预测结果（成功/失败）。 数据集包含多种数据类型：项目标题、项目描述等都是文本列。 另一方面，项目成本是一个数字字段。

我想使用 TF-IDF 转换文本列，我可以将其用作模型的输入。 这是我的代码：

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=1)
tfidf_transformer = TfidfTransformer()
X_train['Project Title'] = tfidf_transformer.fit_transform(X_train['Project Title'])

但我收到错误：

TypeError: no supported conversion for types: (dtype('O'),)

任何想法为什么会显示此错误？

编辑：下面的示例数据

Project Title   Project Essay   Project Short Description   Project Need Statement  Project Cost    Project Type ID Project Subject Category Tree ID    Project Subject Subcategory Tree ID Project Resource Category ID    Project Grade Level Category ID Project Current Status ID
Stand Up to Bullying: Together We Can!  Did you know that 1-7 students in grades K-12 ...   Did you know that 1-7 students in grades K-12 ...   My students need 25 copies of "Bullying in Sch...   361.80  0   0   0   0   0   0

Answer 1

问题是您使用TfidfTransformer将计数矩阵转换为标准化的 tf 或 tf-idf 表示，而不是TfidfVectorizer将原始文档集合转换为 TF-IDF 特征矩阵

from sklearn.feature_extraction.text import TfidfVectorizer
X = pd.DataFrame({'Project Title': ['hello stackoverflow', 'text column', 'scikit learn', 'machine learning projects']})
vect = TfidfVectorizer(ngram_range=(1, 2))
tfidf = vect.fit_transform(X['Project Title'])
X_tfidf = pd.DataFrame(matrix.todense(), columns=vect.get_feature_names())