CountVectorizer方法介绍

• CountVectorizer 是 scikit-learn 库中的一个工具，它主要用于将文本数据转换为词频矩阵，而不是传统意义上的词向量转换，但可以作为词向量转换的一种基础形式。
• 用于将文本数据转换为词频矩阵，它是文本特征提取的重要方法之一。

用法

• 分词：将输入的文本分割成单词或 n-gram 序列。
• 构建词汇表：统计文本中出现的所有唯一的词，并为每个词分配一个唯一的索引。
• 生成词频矩阵：对于每一个输入的文本，根据词汇表统计每个词出现的次数，生成一个稀疏矩阵，矩阵的行表示文档，列表示词汇表中的词，元素表示该词在相应文档中的出现频率。

CountVectorizer

主要参数

• input=‘content’：输入数据的类型，可以是 ‘content’（字符串）、‘filename’ 或 ‘file’。
• encoding=‘utf-8’：文本的编码方式。
• decode_error=‘strict’：解码错误时的处理方式，如 ‘strict’、‘ignore’、‘replace’ 等。
• strip_accents=None：去除重音字符，可设置为 ‘ascii’ 或 unicode。
• lowercase=True：将所有字符转换为小写。
• preprocessor=None：预处理器，用于在分词前对文本进行处理。
• tokenizer=None：自定义分词器，默认为 None，使用 CountVectorizer 自带的分词器。
• stop_words=None：停用词列表，可以是 ‘english’ 或自定义的停用词列表。
• token_pattern=‘(?u)\b\w\w+\b’：用于分词的正则表达式模式。
• ngram_range=(1, 1)：提取 n 元语法的范围，默认为一元语法。
• analyzer=‘word’：分析器，可以是 ‘word’（单词级）或 ‘char’（字符级）。
• max_df=1.0：词汇表中一个单词在文档中出现的最大频率，可设置为浮点数（比例）或整数（绝对次数）。
• min_df=1：词汇表中一个单词在文档中出现的最小频率，可设置为浮点数（比例）或整数（绝对次数）。
• max_features=None：词汇表的最大大小，限制词汇表中的单词数量。

CountVectorizer例子

from sklearn.feature_extraction.text import CountVectorizer

texts = ["dog cat fish","dog cat cat","fish bird","bird"]
cont = []
# 实例化一个模型
cv = CountVectorizer(ngram_range=(1,3)) 
# 这里实例化了一个 CountVectorizer 对象 cv，ngram_range=(1,3) 表示要考虑的 n-gram 的范围是从 1 个词到 3 个词的组合。
# 例如，对于 "dog cat fish"，会考虑 "dog"、"cat"、"fish"、"dog cat"、"cat fish" 和 "dog cat fish" 等。

# 训练此模型
cv_fit = cv.fit_transform(texts) 
# 使用 fit_transform 方法对输入的文本列表 texts 进行训练和转换。
# 它会先对文本进行分词处理，然后统计每个词（或 n-gram）在每个文本中出现的频率。

print(cv.get_feature_names_out())
# 调用 get_feature_names_out 方法，将返回一个包含所有不同的词（或 n-gram）的数组。
# 这些词是在对输入的文本进行处理后得到的词汇表，会根据输入文本中出现的不同词汇以及 n-gram 组合形成。

print(cv_fit)
# 打印 cv_fit，它是一个稀疏矩阵对象，存储了词频信息。由于文本数据通常是稀疏的（大部分元素为 0），
# 所以使用稀疏矩阵来存储可以节省空间和提高计算效率。

# 打印出每个语句的词向量
print(cv_fit.toarray())
# 调用 toarray 方法将稀疏矩阵 cv_fit 转换为密集数组。
# 这样可以更直观地看到每个语句中各个词汇或 n-gram 的出现次数，行代表输入的不同文本，列代表词汇表中的词汇或 n-gram。

# 打印出所有数据求和结果
print(cv_fit.toarray().sum(axis=0))
# 对 cv_fit.toarray() 得到的数组按列求和，即计算每个词汇或 n-gram 在所有文本中出现的总次数。
# axis=0 表示按列进行求和操作。

结果: