質問をすることでしか得られない、回答やアドバイスがある。

15分調べてもわからないことは、質問しよう!

ただいまの
回答率

90.49%

  • Python

    12184questions

    Pythonは、コードの読みやすさが特徴的なプログラミング言語の1つです。 強い型付け、動的型付けに対応しており、後方互換性がないバージョン2系とバージョン3系が使用されています。 商用製品の開発にも無料で使用でき、OSだけでなく仮想環境にも対応。Unicodeによる文字列操作をサポートしているため、日本語処理も標準で可能です。

  • 機械学習

    982questions

    機械学習は、データからパターンを自動的に発見し、そこから知能的な判断を下すためのコンピューターアルゴリズムを指します。人工知能における課題のひとつです。

  • 文字コード

    240questions

    文字コードとは、文字や記号をコンピュータ上で使用するために用いられるバイト表現を指します。

PythonのUnicodeDecodeErrorについて

受付中

回答 1

投稿

  • 評価
  • クリップ 0
  • VIEW 590

Terratale

score 13

私は現在、文書ベクトル作成手法の一つである「SCDV」に触れてみようと思い、

livedoorニュースコーパスを
https://www.rondhuit.com/download.html
からダウンロードし、

WindowsからSCDVを使ってみる
http://touch-sp.hatenablog.com/entry/2018/02/14/005029

というWebページに書かれているプログラムをそのままコピーし、一つずつ実行していたのですが、

上記ページの「TF-IDFを計算(必要なのはIDFのみ)」という部分の

import pickle
import numpy as np
import MeCab
import re
from sklearn.feature_extraction.text import TfidfVectorizer,HashingVectorizer

df = pickle.load(open("textdata","rb"))

tokenizer =  MeCab.Tagger("-Owakati")  
traindata = []

for review in df["news"]:
    result = tokenizer.parse(review).replace("\u3000","").replace("\n","")
    result = re.sub(r'[01234567890123456789!@#$%^&\-|\\*\“()_■×※⇒—●(:〜+=)/*&^%$#@!~`){}…\[\]\"\'\”:;<>?<>?、。・,./『』【】「」→←○]+', "", result)
    h = result.split(" ")
    h = filter(("").__ne__, h)
    traindata.append(" ".join(h))

tfv = TfidfVectorizer(dtype=np.float32)
tfidfmatrix_traindata = tfv.fit_transform(traindata)
featurenames = tfv.get_feature_names()
idf = tfv._tfidf.idf_

word_idf_dict = dict(zip(featurenames, idf))

pickle.dump(word_idf_dict, open("./model/word_idf_dict.pkl", "wb"))

というプログラムを実行した際に、

tfidfmatrix_traindata = tfv.fit_transform(traindata)


の行の部分で

UnicodeDecodeError: 'utf8' codec can't decode byte 0xb8 in position 0: invalid start byte


というエラーが出てしまい、実行が完了しませんでした。

調べてみたところ、参考ページの環境であるPython3と私の環境であるPython2.7の違いによる文字の扱いの違い、もしくはpickleの文字コードなどに原因があるのではと考えているのですが、具体的にプログラムのどこをどのように修正することで動くようになるかわかりません。

お手数ですがご教示宜しくお願い致します。

  • 気になる質問をクリップする

    クリップした質問は、後からいつでもマイページで確認できます。

    またクリップした質問に回答があった際、通知やメールを受け取ることができます。

    クリップを取り消します

  • 良い質問の評価を上げる

    以下のような質問は評価を上げましょう

    • 質問内容が明確
    • 自分も答えを知りたい
    • 質問者以外のユーザにも役立つ

    評価が高い質問は、TOPページの「注目」タブのフィードに表示されやすくなります。

    質問の評価を上げたことを取り消します

  • 評価を下げられる数の上限に達しました

    評価を下げることができません

    • 1日5回まで評価を下げられます
    • 1日に1ユーザに対して2回まで評価を下げられます

    質問の評価を下げる

    teratailでは下記のような質問を「具体的に困っていることがない質問」、「サイトポリシーに違反する質問」と定義し、推奨していません。

    • プログラミングに関係のない質問
    • やってほしいことだけを記載した丸投げの質問
    • 問題・課題が含まれていない質問
    • 意図的に内容が抹消された質問
    • 広告と受け取られるような投稿

    評価が下がると、TOPページの「アクティブ」「注目」タブのフィードに表示されにくくなります。

    質問の評価を下げたことを取り消します

    この機能は開放されていません

    評価を下げる条件を満たしてません

    評価を下げる理由を選択してください

    詳細な説明はこちら

    上記に当てはまらず、質問内容が明確になっていない質問には「情報の追加・修正依頼」機能からコメントをしてください。

    質問の評価を下げる機能の利用条件

    この機能を利用するためには、以下の事項を行う必要があります。

回答 1

+1

こだわりがなければ、python3の環境を作った方が後々のことを考えると楽です。

python2で動かす場合、文字コード周りで気をつけるべき点としては

  • コードの一行目にエンコーディング宣言(# coding: UTF-8など)
  • ファイルI/Oはすべて明示的に文字コードを指定する
  • ファイルから読み込んだ文字列はすべてdecodeしてunicodeとして取り扱う
  • コード中の文字列リテラルにはすべてuをつけて明示的にunicodeとして取り扱う

などがあります。

投稿

  • 回答の評価を上げる

    以下のような回答は評価を上げましょう

    • 正しい回答
    • わかりやすい回答
    • ためになる回答

    評価が高い回答ほどページの上位に表示されます。

  • 回答の評価を下げる

    下記のような回答は推奨されていません。

    • 間違っている回答
    • 質問の回答になっていない投稿
    • スパムや攻撃的な表現を用いた投稿

    評価を下げる際はその理由を明確に伝え、適切な回答に修正してもらいましょう。

同じタグがついた質問を見る

  • Python

    12184questions

    Pythonは、コードの読みやすさが特徴的なプログラミング言語の1つです。 強い型付け、動的型付けに対応しており、後方互換性がないバージョン2系とバージョン3系が使用されています。 商用製品の開発にも無料で使用でき、OSだけでなく仮想環境にも対応。Unicodeによる文字列操作をサポートしているため、日本語処理も標準で可能です。

  • 機械学習

    982questions

    機械学習は、データからパターンを自動的に発見し、そこから知能的な判断を下すためのコンピューターアルゴリズムを指します。人工知能における課題のひとつです。

  • 文字コード

    240questions

    文字コードとは、文字や記号をコンピュータ上で使用するために用いられるバイト表現を指します。