对于 DictVectorizer,可以使用 restrict() 方法对对象进行子集化。这是一个示例,其中我使用布尔数组明确列出了要保留的功能。
import numpy as np
v = DictVectorizer()
D = [{'foo': 1, 'bar': 2}, {'foo': 3, 'baz': 1}]
X = v.fit_transform(D)
v.get_feature_names()
>>['bar', 'baz', 'foo']
user_list = np.array([False, False, True], dtype=bool)
v.restrict(user_list)
v.get_feature_names()
>>['foo']
我想在非规范化的 CountVectorizer 对象中具有相同的能力。我还没有发现任何方法来分割来自 CountVectorizer 的 np 对象,因为有许多依赖属性。我感兴趣的原因是,这消除了在文本数据的第一次拟合和转换后简单地删除特征的场景下重复拟合和转换文本数据的需要。是否有我缺少的等效方法或者可以为 CountVectorizer 轻松创建自定义方法?
更新基于@Vivek 的回复
这种方法似乎有效。这是我在 python 会话中直接实现它的代码。
from sklearn.feature_extraction.text import CountVectorizer
import numpy as np
v = CountVectorizer()
D = ['Data science is about the data', 'The science is amazing', 'Predictive modeling is part of data science']
v.fit_transform(D)
print(v.get_feature_names())
print(len(v.get_feature_names()))
>> ['about', 'amazing', 'data', 'is', 'modeling', 'of', 'part', 'predictive', 'science', 'the']
>> 10
user_list = np.array([False, False, True, False, False, True, False, False, True, False], dtype=bool)
new_vocab = {}
for i in np.where(user_list)[0]:
print(v.get_feature_names()[i])
new_vocab[v.get_feature_names()[i]] = len(new_vocab)
new_vocab
>> data
>> of
>> science
>> {'data': 0, 'of': 1, 'science': 2}
v_copy = cp.deepcopy(v)
v_copy.vocabulary_ = new_vocab
print(v_copy.vocabulary_)
print(v_copy.get_feature_names())
v_copy
>> {'data': 0, 'of': 1, 'science': 2}
>> ['data', 'of', 'science']
>> CountVectorizer(analyzer='word', binary=False, decode_error='strict',
dtype=<class 'numpy.int64'>, encoding='utf-8', input='content',
lowercase=True, max_df=1.0, max_features=None, min_df=1,
ngram_range=(1, 1), preprocessor=None, stop_words=None,
strip_accents=None, token_pattern='(?u)\\b\\w\\w+\\b',
tokenizer=None, vocabulary=None)
v_copy.transform(D).toarray()
>> array([[2, 0, 1],
[0, 0, 1],
[1, 1, 1]], dtype=int64)
谢谢@Vivek!对于非规范化的 CountVectorizer 对象,这似乎与预期的一样。