关于python:向CountVectorizer矩阵添加附加功能

Add additional feature to CountVectorizer matrix

我遇到了一个问题,我必须在 scikit learn 的 CountVectorizer 函数创建的标记计数列表中添加一个附加特征(平均字长)。假设我有以下代码:

1
2
3
4
5
6
7
8
9
#list of tweets
texts = [(list of tweets)]

#list of average word length of every tweet
average_lengths = word_length(tweets)

#tokenizer
count_vect = CountVectorizer(analyzer = 'word', ngram_range = (1,1))
x_counts = count_vect.fit_transform(texts)

每个实例的格式应该是(令牌,平均字长)。我最初的想法是使用 zip 函数简单地连接两个列表,如下所示:

1
x = zip(x_counts, average_lengths)

但是当我尝试拟合我的模型时出现错误:

1
ValueError: setting an array element with a sequence.

有人知道如何解决这个问题吗?


您可以像本文一样编写自己的转换器,它可以为您提供每条推文的平均字长并使用 FeatureUnion:

1
2
3
4
vectorizer = FeatureUnion([
        ('cv', CountVectorizer(analyzer = 'word', ngram_range = (1,1))),
        ('av_len', AverageLenVectizer(...))
    ])

因为CountVectorizer返回的是一个稀疏矩阵,所以需要对其进行稀疏矩阵运算。您可以通过使用 scipy.sparse.

中的 hstack 来做到这一点

例如(取自 scipy 的文档):

1
2
3
4
5
6
from scipy.sparse import coo_matrix, hstack
A = coo_matrix([[1, 2], [3, 4]])
B = coo_matrix([[5], [6]])
hstack([A,B]).toarray()
array([[1, 2, 5],
   [3, 4, 6]])