Python：如何将字数列表转换为适合 CountVectorizer 的格式

Question

我有大约 100,000 个形式的字符串列表：
['the: 652', 'of: 216', 'in: 168', 'to: 159', 'is: 145'] 等。
这基本上构成了我的语料库。每个列表都包含文档中的单词及其字数。

我怎样才能把这个语料库变成我可以输入到 CountVectorizer 的形式？

有没有比将每个列表转换为包含 'the' 652 次、'of' 216 次等的字符串更快的方法？

Answer 1

假设您要实现的是稀疏矩阵格式的矢量化语料库，以及经过训练的矢量化器，您可以在不重复数据的情况下模拟矢量化过程：

from scipy.sparse.lil import lil_matrix
from sklearn.feature_extraction.text import CountVectorizer

corpus = [['the: 652', 'of: 216', 'in: 168', 'to: 159', 'is: 145'],
          ['king: 20', 'of: 16', 'the: 400', 'jungle: 110']]


# Prepare a vocabulary for the vectorizer
vocabulary = {item.split(':')[0] for document in corpus for item in document}
indexed_vocabulary = {term: index for index, term in enumerate(vocabulary)}
vectorizer = CountVectorizer(vocabulary=indexed_vocabulary)

# Vectorize the corpus using the coordinates known to the vectorizer
X = lil_matrix((len(corpus), len(vocabulary)))
X.data = [[int(item.split(':')[1]) for item in document] for document in corpus]
X.rows = [[vectorizer.vocabulary[(item.split(':')[0])] for item in document]
          for document in corpus]

# Convert the matrix to csr format to be compatible with vectorizer.transform output
X = X.tocsr()

在本例中，输出将是：

[[ 168.  216.    0.  159.  652.  145.    0.]
 [   0.   16.  110.    0.  400.    0.   20.]]

这可以允许进一步的文档矢量化：

vectorizer.transform(['jungle kid is programming', 'the jungle machine learning jungle'])

产量：

[[0 0 1 0 0 1 0]
 [0 0 2 0 1 0 0]]