0
我剛剛拿起sklearn,所以請原諒我明目張膽的無知:)...現在我正試圖弄清楚TfidfVectorizer是如何工作的以及如何避免在期間分裂。如何不使用sklearn TfidfVectorizer解析句點?
from sklearn.feature_extraction.text import TfidfVectorizer
docs= ("'CSC.labtrunk', 'CSC.datacenter', 'CSC.netbu', 'CSC.asr5k.general', 'CSC.ena', 'CSC.embu'", "'CSC.ena'", "'CSC.embu', 'CSC.security', 'CSC.ena'", "'CSC.embu', 'CSC.datacenter', 'CSC.labtrunk', 'CSC.content-security', 'CSC.ena', 'CSC.embu.dev', 'CSC.spv.custom-prods', 'CSC.voice', 'CSC.policy-mgmt', 'CSC.nuova'", "'CSC.embu', 'CSC.sys', 'CSC.policy-mgmt', 'CSC.content-security', 'CSC.datacenter'", "'CSC.asr5k.general'", "'CSC.sys'", "'CSC.labtrunk'")
vec = TfidfVectorizer()
trfm_data = vec.fit_transform(docs)
print trfm_data
輸出樣本:
(0, 6) 0.200552591995
(0, 7) 0.200552591995
(0, 8) 0.265074737928
(0, 0) 0.265074737928
(0, 11) 0.316288846342
(0, 4) 0.228737749732
(0, 9) 0.228737749732
(0, 2) 0.757857197424
print vec.inverse_transform(trfm_data)
輸出樣本:
[u'embu', u'ena', u'general', u'asr5k', u'netbu', u'datacenter',
u'labtrunk', u'csc']
理想情況下,我想每個項目當作一個字符串,如"'CSC.labtrunk', 'CSC.datacenter', 'CSC.netbu', 'CSC.asr5k.general', 'CSC.ena', 'CSC.embu'"
。