如何解决使用 Countvectorizer 获取语料库中单词的总数
我有以下格式的语料库:
corpus = ['text_1','text_2',... . 'text_4280']
总共有 90141 个唯一词。
对于每个单词,我想计算它在 corpus
中出现的总次数。
为此,我使用了:
vectorizer = CountVectorizer(corpus)
目前,我知道这样做的唯一方法是:
vectorizer.fit_transform()
然而,这将创建一个形状为 (4280,90141)
的(稀疏)Numpy 数组。 CountVectorizer 是否有更节省内存的方法来获取文档项矩阵的所有列总和?
解决方法
你可以使用
vectorizer.fit_transform().toarray().sum(axis= 0)
编辑
糟糕,您应该从上述语句中删除 .toarray()
。我没有意识到您可以在稀疏数组上调用 .sum()
vectorizer.fit_transform().sum(axis= 0)
版权声明:本文内容由互联网用户自发贡献,该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容, 请发送邮件至 dio@foxmail.com 举报,一经查实,本站将立刻删除。