python - Python中用于标记化数据的有效数据结构是什么？

我有一个熊猫数据框，其中有一列带有一些文本。我想修改数据框，以使所有行中出现的每个不同单词都有一个列，并且一个布尔值指示该单词是否出现在我的文本列中的特定行的值中。

我有一些代码可以做到这一点：

from pandas import *

a = read_table('file.tsv', sep='\t', index_col=False)
b = DataFrame(a['text'].str.split().tolist()).stack().value_counts()

for i in b.index:
    a[i] = Series(numpy.zeros(len(a.index)))

for i in b.index:
    for j in a.index:
        if i in str.split(a['text'][j]:
            a[i][j] = 1

但是，我的数据集非常大（200,000行和大约70,000个唯一单词）。有没有一种更有效的方式来执行此操作，而又不会破坏我的计算机？

最佳答案

我建议使用sklearn，特别是CountVectorizer。

import pandas as pd
from sklearn.feature_extraction.text import CountVectorizer
vect= CountVectorizer(binary =True)



 df= pd.DataFrame({'text':['cat on the cat','angel eyes has','blue red angel','one two blue','blue whales eat','hot tin roof','angel eyes has','have a cat'],'labels':\
                  [1,0,1,1,0,0,1,1]})




X = vect.fit_transform(df['text'].values)
y = df['labels'].values
X

<8x16 sparse matrix of type '<type 'numpy.int64'>'
with 23 stored elements in Compressed Sparse Row format>

这将返回一个sparse matrix，其中m是df中的行，而n是单词集。稀疏格式更适合保存矩阵的大多数元素为0的内存。将其保留为稀疏似乎是可行的方法，并且许多“ sklearn”算法都采用稀疏输入。

您可以从X创建一个数据框（如果确实有必要，但这会很大）：

word_counts =pd.DataFrame(X.todense(),columns = vect.get_feature_names())

关于python - Python中用于标记化数据的有效数据结构是什么？，我们在Stack Overflow上找到一个类似的问题：https://stackoverflow.com/questions/28667154/