CountVectorizer读写词汇

Question

我目前正在做一个相当琐碎的情感分类程序。在训练阶段，一切都很顺利。但是，我在使用CountVectorizer测试包含未见单词的新文本字符串时遇到了困难。

出于这个原因，我试图在测试阶段为矢量化编写一个查找词汇表。但是，我不知道如何创建和检索要作为参数传递的词汇表对象。

目前，我的两种方法如下：

def trainingVectorTransformation (messages):
    #--> ReviewText to vectors    
    vect = CountVectorizer(analyzer=split_into_lemmas).fit(messages['reviewText'])

    messages_bow = vect.transform(messages['reviewText'])

    feature_list = vect.get_feature_names()
    #NOT SURE HOW TO CREATE VOCABULARY
    with open("vocab.txt", "w") as text_file:
        text_file.write(str(feature_list))   

    tfidf_transformer = TfidfTransformer().fit(messages_bow)


    messages_tfidf = tfidf_transformer.transform(messages_bow)
    return messages_tfidf

和

def testingVectorTransformation (messages):
    #--> ReviewText to vectors
    #NOT SURE HOW TO READ THE CREATED VOCABULARY AND USE IT APPROPRIATELY   
    txt = open("vocab.txt")
    vocabulary = txt.read()


    vect = CountVectorizer(analyzer=split_into_lemmas, vocabulary = vocabulary).fit(messages['reviewText'])

    messages_bow = vect.transform(messages['reviewText'])

    tfidf_transformer = TfidfTransformer().fit(messages_bow)

    messages_tfidf = tfidf_transformer.transform(messages_bow)
    return messages_tfidf

如果有人对如何正确创建和使用词汇表有任何建议，我将非常感激。

Answer 1

您需要使用一些序列化程序保存矢量器的副本，例如泡菜，并在测试阶段加载它。还可以使用，vocabulary_属性(参见这里 )获取更多详细信息。

此外，在培训过程中，您应该调用vect.fit_transform，而不仅仅是转换