[英]Feature extraction from text data set
我对文本数据集的特征提取有疑问。 使用来自以下位置的预处理数据集:
预处理后的数据是每个文档一行,每一行的格式为:
feature:<count> .... feature:<count> #label#:<label>
假设我们有两行:
<line 1> alpha: 3 beta:2 gamma: 1 delta: 0 echo:0 #label:1
<line 2> alpha: 0 foxtrot:0 mike: 0 beta: 1 delta:1 #label:0
所以我想提取我得到的特征:
到目前为止,我已经编写了这段代码,但无法继续进行:
import pandas as pd
dict={}
total=pd.DataFrame()
with open ('amazon_book.review', 'r') as data:
for i in range(3):
line=data.readline()
for word in line.split():
key,value=word.split(sep=":")
dict[key]=value
请使用正则表达式。 希望下面的代码有所帮助。 在 dataframe 中,您将获得所有功能和标签
import pandas as pd
import re
list_of_dict = []
str_feature_pattern = re.compile(r'(\w+\s*:\s+\d+)+')
str_label_pattern = re.compile(r'.*#(\w+:\d+)')
with open ('amazon_book.review', 'r') as data:
for i in range(3):
line=data.readline()
feature_match = str_feature_pattern.findall(line)
label_match = str_label_pattern.findall(line)
dict = {}
for f in feature_match:
vals = f.split(sep=":")
dict[vals[0]] = vals[1]
label_val = label_match[0].split(sep=':')
dict[label_val[0]] = label_val[1]
list_of_dict.append(dict)
total=pd.DataFrame(list_of_dict)
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.