PythonのUnicodeDecodeErrorについて

Question

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。

Answer 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。