Pythonにおける機械学習プログラムにおけるエラーについて

Question

###前提・実現したいこと
当方python初心者です。pythonを用いてTwitterのプロフィール文から2クラス分類をする識別機を作成したいと考えています。現在教師データとラベルをライブラリに引き渡して機械学習をさせようとしている段階なのですが、エラーが発生しており困っています。詳しい方どうかお力添えお願い致します。

###発生している問題・エラーメッセージ
ValueError: Found input variables with inconsistent numbers of samples: [12241,600]

###該当のソースコード

#TwitterIDからプロフィール文を取得、形態素解析
for num in range(2):
	if num == 1:
		sheet = sheet_2
	for row in range(sheet.nrows):
		val = sheet.cell(row,col).value
		i = i+1
		print (val)
		params = {
			"screen_name": val
		}
		responce = oath.get(url,params = params)	
		tweet = json.loads(responce.text)
		user_description = tweet['description']
		print("users_desc:",user_description)
		tokens = l.tokenize(user_description)
		#形態素解析及び名詞抽出
		for token in tokens:
			partOfSpeech = token.part_of_speech.split(',')[0]
			if partOfSpeech == u'名詞':
				each_words.append(token.surface)
		words.append(each_words)
		each_words = []
		#ラベルを記述したリストを作成
		if num == 1:
			label.append(0)
		else:
			label.append(1)
		
#名詞群をリスト化
for row in range(len(words)):
	for j in range(len(words[row])):
		print(words[row][j])
		list.append(words[row][j])

#countvectorに変換
count_vectorizer = CountVectorizer()
feature_vectors = count_vectorizer.fit_transform(list)
print("word数:" + str(len(feature_vectors.toarray()[0])))

vocabrary = count_vectorizer.get_feature_names()
print (count_vectorizer.get_feature_names)
print(feature_vectors.toarray())

clf.fit(feature_vectors.toarray(),label)

本質に関わらない部分は除外したコードです

###試したこと
そもそもネットで拾い読みしたものを試しているようなものなのでどう対応したらいいのか分からないというのが正直なところです。
ちなみに　print(feature_vectors.toarray())　の部分では
[[ 0 0 0 ... 0 0 0]
[ 0 0 0 ... 0 0 0]
[ 0 0 0 ... 0 0 0]
[ 0 0 0 ... 0 0 0]]　　
のように各単語の出現頻度を表す多次元配列が見て取れます。

Answer 1

clf.fit(feature_vectors.toarray(),label)でエラーが起きていますか？

print(feature_vectors.toarray().shape)
と
print(len(label))
の出力はどのようになっていますか？
数が合わないとエラーが出ています。

Comments

[lalalabit]

返信ありがとうございます
print(feature_vectors.toarray().shape)は(12241,3790)
print(len(label))は600と出ました
明らかに値が違いますよね・・・

[mkgrei]

そうですね。

まず、問題と直結するところでは、
for token in tokens:
partOfSpeech = token.part_of_speech.split(',')[0]
if partOfSpeech == u'名詞':
each_words.append(token.surface)
words.append(each_words)
each_words = []
のあたりに入れ子構造が正しくないと感じます。次の指摘にも通ずるところですが、どう正しくないのかはこの書き方からは知り得ません。
多分ラベルが600個あるのが正しくて、単語を分解する時にリストを1つ囲み忘れた結果、中身が展開されてしまったものと考えます。

次に、質問の形式についてですが、
コードをインデント付きで貼り付けないとPythonは基本的に読めないので、憶測がいろいろと入って問題が解決しにくくなってしまいます。

最後に、コーディング時の癖などについてですが、
listという名前の変数はPythonでは避けるべきです。
それに加えて、空のリストを最初のどこかに宣言している雰囲気を感じますが、バグの温床になるので避けたほうがいろいろとトラブルを回避できる気がします。

[lalalabit]

返信遅くなり申し訳ありません。ご指摘ありがとうございます。

御推察の通り、ラベルの600個が正しいので文字列リストの中身がおかしいですね。
形態素解析の入れ子構造を見直してみようと思います。

おっしゃる通りです・・・。
すぐに修正致します。

了解しました。listは新たな変数名に変更します。
おっしゃる通り、プログラムの初期に空のリストを宣言しています。
バグの元になるとは知りませんでした。すぐに修正致します。

初心者の汚いコードに的確で親切なアドバイス本当にありがとうございます。