大家利用机器学习或深度学习开展文本分类或关联性分析之前，由于计算机只能分析数值型数据，而人类所熟悉的自然语言文字，机器学习算法是一窍不通的，因此需要将大类的文本及前后关系进行设计，并将其转换为数值化表示。一般来说，文本语言模型主要有词袋模型（BOW）、词向量模型和主题模型，目前比较常见是前两种，各种机器学习框架都有相应的word2vec的机制和支持模型，比如gensim和Scikit-learn（简称Sklearn），词袋模型向量化技术主要有One-Hot、文本计数数值化、词频-逆文档频率（TF-IDF）。详见以下示例，分别讲述了上述两种框架下的应用，同时结合了分词技术，去掉了停用词，加入了自定义分词。具体如下，供大家学习参考。
一、运行环境：python3.10环境，安装了 sklearn、gensim、jieba等。
二、应用示例：实现多段文本的自动分词，之后进行词袋模型的矢量化表示。完整代码如下。
from sklearn.feature_extraction import DictVectorizer
from sklearn.feature_extraction.text import CountVectorizer
from sklearn.feature_extraction.text import TfidfVectorizer
from gensim.models import Word2Vec
import gensim
import jieba,sys
# 将当前目录加载道path
sys.path.append("../")
# 加载自定义分词词典
jieba.load_userdict("../data/user_dict.txt") # 去掉一些停用词和数字
def rm_tokens(words,stwlist): words_list = list(words) stop_words = stwlist for i in range(words_list.__len__())[::-1]: if words_list[i] in stop_words: # 去除停用词 words_list.pop(i) elif len(words_list[i]) == 1: # 去除单个字符 words_list.pop(i) elif words_list[i] == " ": # 去除空字符 words_list.pop(i) elif words_list[i].strip() == "/" or words_list[i].strip() == "\\" or words_list[i].strip() == "'" or words_list[i].strip() == "\"": # 去斜杠 words_list.pop(i) return words_list # 进行分词并返回
def cut_words(text): result = rm_tokens(jieba.cut(text),stwlist) print('list(jieba.cut(text))结果为:', result) txt = ' '.join(result) return txt
# 创建停用词列表
def get_stop_words(path=r'../data/user_stopwords.txt'): file = open(path, 'r',encoding='utf-8').read().split('\n') return set(file) # 2 获取停用词
stwlist = get_stop_words() #类别向量数值化方式
data = [
{'name': 'Alan Turing', 'born': 1912, 'died': 1954},
{'name': 'Herbert A. Simon', 'born': 1916, 'died': 2001},
{'name': 'Jacek Karpinski', 'born': 1927, 'died': 2010},
{'name': 'J.C.R. Licklider', 'born': 1915, 'died': 1990},
{'name': 'Marvin Minsky', 'born': 1927, 'died': 2016},
]#1.One-Hot编码，文本矢量化或数值化表示
vec = DictVectorizer(sparse=False, dtype=int)
print(vec.fit_transform(data))
print(vec.get_feature_names())
vec = DictVectorizer(sparse=True, dtype=int) #One-Hot编码，设置稀疏矩阵的紧凑表示
data2=vec.fit_transform(data) sample=[ '列出了aaa井的基本数据信息，描述了该井所在地区的钻探成果和钻井简况', '列出了bbb井的基本数据信息及下x深结构图，详细记录了自拖航至，弃井作业,综合录井日记', '列出了ccc井的基本数据信息，描述了该井所在地区的钻探成果和钻井简况'
]
sample2 = []
for i in sample: sample2.append(cut_words(i)) #2.文本计数的数值化转换表示
vec = CountVectorizer(lowercase=False,stop_words=None,analyzer='word') #文本计数的数值化转换
X = vec.fit_transform(sample2)
print(vec.get_feature_names())
print(X.toarray())
print("词袋 = ",vec.vocabulary_) #词袋，根据分词结果和首字母，进行编号 #3.词频-逆文档频率，文本矢量化或数值化表示
vec = TfidfVectorizer(lowercase=False,stop_words=None,analyzer='word', use_idf=True,smooth_idf=True) #词频-逆文档频率
X = vec.fit_transform(sample2)
print(vec.get_feature_names())
'基本数据信息' in vec.get_feature_names() #判断是否包含指定字符串
print(X.toarray()) #输出词向量# 4.gensim的词袋模型
# 需要将数据放在Dictionary中，带有unicode token
sample2_unitoken = [d.split() for d in sample2]
dictionary = gensim.corpora.Dictionary(sample2_unitoken)
vec = [dictionary.doc2bow(word) for word in sample2_unitoken]
print(vec) #输出词向量# 5.gensim的n-gram模型
bigram = gensim.models.Phrases(sample2_unitoken)
txts = [bigram[line] for line in sample2_unitoken]
dictionary = gensim.corpora.Dictionary(txts)
vec = [dictionary.doc2bow(text) for text in txts]
print(vec) #输出词向量# 6.gensim的tfidf模型
dictionary = gensim.corpora.Dictionary(sample2_unitoken)
doc2bow = [dictionary.doc2bow(word) for word in sample2_unitoken]
tfidf=gensim.models.TfidfModel(doc2bow)
vec=[]
for document in tfidf[doc2bow]: vec.append(document)
print(vec) #输出词向量
