TfidfVectorizer适用于不适合内存的语料库

Question

我想根据不适合内存的语料库构建tf-idf模型。我读的教程，但胼似乎一下子被加载：

from sklearn.feature_extraction.text import TfidfVectorizer 
corpus = ["doc1", "doc2", "doc3"] 
vectorizer = TfidfVectorizer(min_df=1) 
vectorizer.fit(corpus) 

我不知道如果我可以通过一个文件加载到内存中的一个而不是加载所有的人。

Answer 1

是的，你可以让你的语料库成为迭代器。例如，如果您的文档驻留在光盘上，则可以定义一个迭代器，该文件将文件名列表作为参数，并逐个返回文档，而无需将所有内容一次性加载到内存中。

from sklearn.feature_extraction.text import TfidfVectorizer 

def make_corpus(doc_files): 
    for doc in doc_files: 
     yield load_doc_from_file(doc) #load_doc_from_file is a custom function for loading a doc from file 

file_list = ... # list of files you want to load 
corpus = make_corpus(file_list) 
vectorizer = TfidfVectorizer(min_df=1) 
vectorizer.fit(corpus)