工程化文本特征

Python 中的机器学习预处理

James Chapman

Curriculum Manager, DataCamp

抽取

  • 正则表达式:用于识别模式的代码
import re

my_string = "temperature:75.6 F"
temp = re.search("\d+\.\d+", my_string)
print(float(temp.group(0)))
75.6
  • \d+
  • \.
  • \d+
Python 中的机器学习预处理

文本向量化

TF/IDF:基于词的重要性进行向量化

  • TF = 词频(Term Frequency)
  • IDF = 逆文档频率(Inverse Document Frequency)
Python 中的机器学习预处理

文本向量化

from sklearn.feature_extraction.text import TfidfVectorizer
print(documents.head())
0    Building on successful events last summer and ...
1               Build a website for an Afghan business
2    Please join us and the students from Mott Hall...
3    The Oxfam Action Corps is a group of dedicated...
4    Stop 'N' Swap reduces NYC's waste by finding n...
tfidf_vec = TfidfVectorizer()
text_tfidf = tfidf_vec.fit_transform(documents)
Python 中的机器学习预处理

文本分类

 

$$P(A|B) = \frac{P(B|A)P(A)}{P(B)}$$

Python 中的机器学习预处理

Passons à la pratique !

Python 中的机器学习预处理

Preparing Video For Download...