文本特征提取

在对文本数据进行处理时，很大一部分精力都用在数据集的特征提取上，因此记录一下常用的文本特征提取方法。

创新互联公司专注为客户提供全方位的互联网综合服务，包含不限于成都做网站、网站制作、临县网络推广、微信小程序定制开发、临县网络营销、临县企业策划、临县品牌公关、搜索引擎seo、人物专访、企业宣传片、企业代运营等，从售前售中售后，我们都将竭诚为您服务，您的肯定，是我们最大的嘉奖；创新互联公司为所有大学生创业者提供临县建站搭建服务，24小时服务热线：18980820575，官方网址：www.cdcxhl.com

文本特征提取一般分为两部分

（1）文本本身属性：元音字数数、辅音字母数、···

（2）基于文本的特征提取：TF-IDF等

比如提取以上文档的特征，基于文本本身可以提取特征：

（1）字数：统计每一行text文本的词汇数量（有多少个单词）

（2）非重复单词数量：统计每一行text文本中只出现一次的单词个数

（3）长度：每一行text的长度,占了多少存储空间（包含空格、符号、字母等的长度）

（4）停止词数量统计：between、but、about、very等词汇的数量统计

（5）标点符号数量：每一行text中包含的标点符号数量

（6）大写单词数量：统计大写单词数量

（7）标题式单词数量：统计单词拼写首字母是否为大写,且其他字母为小写的单词数量

（8）单词的平均长度：每一行text中每个单词长度的平均值

这些特征的提取不涉及复杂的函数计算，基于文本本身属性提取直观信息作为模型训练的特征。

·

TF-IDF算法 ：计算单词权重最为有效的实现方法就是TF-IDF, 它是由Salton在1988 年提出的,以特征词在文档d中出现的次数与包含该特征词的文档数之比作为该词的权重。

python中使用TfidfVectorizer函数实现TF-IDF特征的提取，生成每个text的TF-IDF特征。

·

经过TF-IDF特征提取后，数据集的特征变量超级多（TF-IDF计算了整个数据集出现的所有单词对每个test的权重），面对这样庞大的特征数据，可以通过SVD实现对数据集的压缩。

SVD的原理是将庞大的TF-IDF生成的数据集A进行拆分，设置K值（想要压缩得到的维度，例如K=20，压缩后得到20列的特征数据集）X就是只有K个特征转换后的数据集。

经过压缩后的TF-IDF只有K列，与01中 基于文本本身特征 合并，即为文本数据集的特征向量。

python tf.random_uniform与np.random_uniform有什么区别

首先应该是np.random.uniform

这两个回答多少有点大病

两者虽然函数名相同，但属于不同的库，一个是TensorFlow的，一个是numpy的。

就好比你家也有冰箱我家也有冰箱一样。

tf.random.uniform的属性变量包括：

shape: 输出张量的形状，比如矩阵或者向量的维度

mean: 正态分布的均值，默认为0

stddev: 正态分布的标准差，默认为1.0

dtype: 输出的类型，默认为tf.float32

seed: 随机数种子，是一个整数，当设置之后，每次生成的随机数都一样

name: 操作的名称

np.random.uniform的属性变量包括：

low: 采样下界，float类型，默认值为0

high: 采样上界，float类型，默认值为1

size: 输出样本数目，为int或元组(tuple)类型

tensorflow是生成均匀分布，而numpy则是在分布中做随机采样

python中tf.summary.scalar是什么意思

tensorflow总结的时候需要给个名字，其实这个函数就是让画出来的tensorflow的图的节点的名字有一点实际意义，比如整个网络的名字是xxx，就可以使用tf.summary.scalar(xxx,loss),后面的lossy可以替换成网络自己的loss.

具体参考：

分享文章：python的tf函数 python flatten函数
网站URL：http://pwwzsj.com/article/doshdjd.html