• 功能介绍
  • 参数说明
  • 脚本示例
    • 脚本代码
    • 脚本运行结果
      • 输出数据

    功能介绍

    根据分词后的文本统计词的TF/IDF信息,将文本转化为稀疏的向量。

    参数说明

    名称 中文名称 描述 类型 是否必须? 默认值
    maxDF 最大词频 如果一个词出现的文档次数大于maxDF, 这个词不会被包含在字典中。maxDF可以是具体的词频也可以是整体词频的比例,如果minDF在[0,1)区间,会被认为是比例。 Double 1.7976931348623157E308
    selectedCol 选中的列名 计算列对应的列名 String
    minDF 最小文档词频 如果一个词出现的文档次数小于minDF, 这个词不会被包含在字典中。minTF可以是具体的词频也可以是整体词频的比例,如果minDF在[0,1)区间,会被认为是比例。 Double 1.0
    featureType 特征类型 生成特征向量的类型,支持IDF/WORD_COUNT/TF_IDF/Binary/TF String “WORD_COUNT”
    vocabSize 字典库大小 字典库大小,如果总词数目大于这个值,那个文档频率低的词会被过滤掉。 Integer 262144
    minTF 最低词频 最低词频,如果词频小于minTF,这个词会被忽略掉。minTF可以是具体的词频也可以是整体词频的比例,如果minTF在[0,1)区间,会被认为是比例。 Double 1.0
    selectedCol 选中的列名 计算列对应的列名 String
    outputCol 输出结果列 输出结果列列名,可选,默认null String null
    reservedCols 算法保留列名 算法保留列 String[] null

    脚本示例

    脚本代码

    1. import numpy as np
    2. import pandas as pd
    3. data = np.array([
    4. [0, u'二手旧书:医学电磁成像'],
    5. [1, u'二手美国文学选读( 下册 )李宜燮南开大学出版社 9787310003969'],
    6. [2, u'二手正版图解象棋入门/谢恩思主编/华龄出版社'],
    7. [3, u'二手中国糖尿病文献索引'],
    8. [4, u'二手郁达夫文集( 国内版 )全十二册馆藏书']])
    9. df = pd.DataFrame({"id": data[:, 0], "text": data[:, 1]})
    10. inOp = BatchOperator.fromDataframe(df, schemaStr='id int, text string')
    11. pipeline = (
    12. Pipeline()
    13. .add(Segment().setSelectedCol("text"))
    14. .add(DocCountVectorizer().setSelectedCol("text"))
    15. )
    16. pipeline.fit(inOp).transform(inOp).collectToDataframe()

    脚本运行结果

    输出数据
    1. rowID id text
    2. 0 0 $37$0:1.0 6:1.0 13:1.0 20:1.0 24:1.0 28:1.0
    3. 1 1 $37$0:1.0 2:1.0 3:1.0 4:1.0 5:1.0 7:1.0 16:1.0...
    4. 2 2 $37$0:1.0 1:2.0 2:1.0 9:1.0 11:1.0 15:1.0 18:1...
    5. 3 3 $37$0:1.0 8:1.0 22:1.0 29:1.0 30:1.0
    6. 4 4 $37$0:1.0 3:1.0 4:1.0 10:1.0 12:1.0 14:1.0 17:...