有沒有辦法將nltk功能集轉換為scipy.sparse數組？

Question

我正在嘗試使用scikit.learn，它需要numpy / scipy數組作為輸入。 在nltk中生成的特征集由單音和雙字頻率組成。 我可以手動完成，但是會很費力。 因此，想知道是否有我忽略的解決方案。

Answer 1

雅各布·珀金斯（Jacob Perkins）為使用scikit-learn分類器訓練NLTK分類器搭建了一座橋梁，這正是源於此：

https://github.com/japerk/nltk-trainer/blob/master/nltk_trainer/classification/sci.py

如果您使用的是0.9+版本，則應更新軟件包導入行。

Answer 2

並不是我所知道的，但是請注意scikit-learn本身可以進行n克頻率計數。 假設單詞級n -grams：

from sklearn.feature_extraction.text import CountVectorizer, WordNGramAnalyzer
v = CountVectorizer(analyzer=WordNGramAnalyzer(min_n=1, max_n=2))
X = v.fit_transform(files)

其中files是字符串或類似文件的對象的列表。 在此之后， X是原始頻率計數的稀疏矩陣。