前面已经用各种方法对数据集中‘Word’进行了处理,主要是向量化包括countVectorizer等,也有特征降维(特征选择)等工作。接下来将数据集中的article这一属性进行同样的处理之后,将其和Word处理之后的特征进行组合。
1 Word + article
使用tfidf,当然使用其他的向量化方法也是完全可以的。
import pickle
import pandas as pd
from sklearn.feature_extraction.text
import TfidfVectorizer """===================================================================================================================== 1 数据预处理 """
read_start_time = time.time()
df_train=pd.read_csv('train_set.csv')
df_test=pd.read_csv('test_set.csv') #df_train.drop(df_train.columns[0],axis=1,inplace=True)
df_train["word_article"] = df_train["article"].map(str) +''+df_train["word_seg"].map(str) df_test["word_article"] = df_test["article"].map(str) +' ' + df_test["word_seg"].map(str) y_train = (df_train['class'] - 1).values """===================================================================================================================== 2 特征工程 """
vectorizer = TfidfVectorizer(ngram_range=(1, 2), min_df=3, max_df=0.9, sublinear_tf=True)
vectorizer.fit(df_train['word_article'])
x_train = vectorizer.transform(df_train['word_article'])
x_test = vectorizer.transform(df_test['word_article'])
保存至本地
"""
data = (x_train, y_train, x_test)
with open('./tfidf(word+article).pkl', 'wb') as f:
pickle.dump(data, f)
2 +lsa
""" 将tfidf(word+article)特征降维为lsa特征,并将结果保存至本地,并将结果保存到本地 """
from sklearn.decomposition import TruncatedSVD
import pickle
import time
t_start = time.time() """===================================================================================================================== 0 读取tfidf(word+article)特征 """
with open('tfidf(word+article).pkl.pkl', 'rb') as f:
x_train, y_train, x_test = pickle.load(f) """===================================================================================================================== 1 特征降维:
lsa """ lsa = TruncatedSVD(n_components=200)
x_train = lsa.fit_transform(x_train)
x_test = lsa.transform(x_test) """===================================================================================================================== 2 将lsa特征保存至本地 """
data = (x_train, y_train, x_test)
with open('tfidf(word+article)+lsa.pkl', 'wb') as f:
pickle.dump(data, f_data)
t_end = time.time()
print("共耗时:{}min".format((t_end-t_start)/60))
本文介绍了一种基于TF-IDF和LSA的特征工程方法,用于处理文本数据,包括数据预处理、特征提取及降维。通过组合'Word'和'article'属性,利用TF-IDF进行向量化,再应用LSA进行特征降维,以提高机器学习模型的性能。
2998

被折叠的 条评论
为什么被折叠?



