R的removeSparseTerms在Python中的等效

Question

我们正在研究一个数据挖掘项目，并在R中的tm包中使用removeSparseTerms函数来减少文档项矩阵的特征。

但是，我们正在寻找将代码移植到python。在sklearn，nltk或其他一些可以提供相同功能的软件包中是否有函数？

谢谢！

Answer 1

如果您的数据是纯文本，您可以使用CountVectorizer为了完成这项工作。

例如：

from sklearn.feature_extraction.text import CountVectorizer 
vectorizer = CountVectorizer(min_df=2) 
corpus = [ 
    'This is the first document.', 
    'This is the second second document.', 
    'And the third one.', 
    'Is this the first document?', 
] 
vectorizer = vectorizer.fit(corpus) 
print vectorizer.vocabulary_ 
#prints {u'this': 4, u'is': 2, u'the': 3, u'document': 0, u'first': 1} 
X = vectorizer.transform(corpus) 

现在X是文档长期矩阵。 （如果你到信息检索您还想Tf–idf term weighting考虑

它可以帮助你用几行轻松搞定文档长期矩阵

关于稀疏性 - 你可以控制这些参数：。

• min_df - 允许在文档长期矩阵的项的最小文档频率
• max_features - m个在文档长期矩阵允许

或者，如果你已经有了文档长期矩阵或TF-IDF矩阵，和你有什么是稀疏的概念，定义MIN_VAL_ALLOWED，然后做功能aximum号以下内容：

import numpy as np 
from scipy.sparse import csr_matrix 
MIN_VAL_ALLOWED = 2 

X = csr_matrix([[7,8,0], 
       [2,1,1], 
       [5,5,0]]) 

z = np.squeeze(np.asarray(X.sum(axis=0) > MIN_VAL_ALLOWED)) #z is the non-sparse terms 

print X[:,z].toarray() 
#prints X without the third term (as it is sparse) 
[[7 8] 
[2 1] 
[5 5]] 

（使用X = X[:,z]所以X仍然csr_matrix。）

如果是最小文档频率你想设置一个门槛上，binarize矩阵第一，而且比用同样的方式：

import numpy as np 
from scipy.sparse import csr_matrix 

MIN_DF_ALLOWED = 2 

X = csr_matrix([[7, 1.3, 0.9, 0], 
       [2, 1.2, 0.8 , 1], 
       [5, 1.5, 0 , 0]]) 

#Creating a copy of the data 
B = csr_matrix(X, copy=True) 
B[B>0] = 1 
z = np.squeeze(np.asarray(X.sum(axis=0) > MIN_DF_ALLOWED)) 
print X[:,z].toarray() 
#prints 
[[ 7. 1.3] 
[ 2. 1.2] 
[ 5. 1.5]] 

在这个例子中，第三和第四学期（或列）都走了，因为它们只出现在两个文件（行）。使用MIN_DF_ALLOWED来设置阈值。