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

88.03%

pythonでUnicodeDecodeErrorを解決したい。

解決済

回答 2

投稿 編集

  • 評価
  • クリップ 0
  • VIEW 2,827

score 20

 前提・実現したいこと

pythonでword2vecを使いたく、自分でtwitterからとってきたツイートをcsvファイルに入れて、それをword2vecに通したいのですが、下記のソースコードを実行したとき以下のエラーメッセージが発生しました。

 発生している問題・エラーメッセージ

(base) C:\jikken>python genModel.py
C:\Anaconda\lib\site-packages\gensim\utils.py:1212: UserWarning: detected Windows; aliasing chunkize to chunkize_serial
  warnings.warn("detected Windows; aliasing chunkize to chunkize_serial")
Traceback (most recent call last):
  File "genModel.py", line 5, in <module>
    model = word2vec.Word2Vec(data, size=200)
  File "C:\Anaconda\lib\site-packages\gensim\models\word2vec.py", line 767, in __init__
    fast_version=FAST_VERSION)
  File "C:\Anaconda\lib\site-packages\gensim\models\base_any2vec.py", line 759, in __init__
    self.build_vocab(sentences=sentences, corpus_file=corpus_file, trim_rule=trim_rule)
  File "C:\Anaconda\lib\site-packages\gensim\models\base_any2vec.py", line 936, in build_vocab
    sentences=sentences, corpus_file=corpus_file, progress_per=progress_per, trim_rule=trim_rule)
  File "C:\Anaconda\lib\site-packages\gensim\models\word2vec.py", line 1571, in scan_vocab
    total_words, corpus_count = self._scan_vocab(sentences, progress_per, trim_rule)
  File "C:\Anaconda\lib\site-packages\gensim\models\word2vec.py", line 1540, in _scan_vocab
    for sentence_no, sentence in enumerate(sentences):
  File "C:\Anaconda\lib\site-packages\gensim\models\word2vec.py", line 1363, in __iter__
    text = rest + fin.read(8192)  # avoid loading the entire file (=1 line) into RAM
UnicodeDecodeError: 'cp932' codec can't decode byte 0xef in position 0: illegal multibyte sequence

 該当のソースコード

#coding: UTF-8
from gensim.models import word2vec
with open("tweet.csv", "r") as csv_file:
    data = word2vec.Text8Corpus(csv_file)
    model = word2vec.Word2Vec(data, size=200)

 試したこと

3行目を
with open("tweet.csv", "r", encoding = 'utf-8') as csv_file:
に変えて試してみたが、
TypeError: can't concat str to bytes
というエラーがでてできなかった。

 補足情報(FW/ツールのバージョンなど)

tweet.csvは文字コードをutf-8で保存してあります。
また、csvファイルの中身はすべて日本語のツイートのみです。

  • 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
    • 過去に投稿した質問と同じ内容の質問
    • 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 2

checkベストアンサー

0

BOMつきUTF-8というのもあります。encoding = 'utf_8_sig'も試してください。

投稿

編集

  • 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。

  • 2018/10/26 15:49

    全文掲載させていただきました。

    キャンセル

  • 2018/10/26 15:51

    文字コードの問題ではなく、使い方が間違っているようです。Text8Corpusの第一引数は「ファイル名」を指定してください(ファイルオブジェクトではなく)

    キャンセル

  • 2018/10/26 15:59

    無事動かすことに成功しました!
    ありがとうございましたm(_ _)m

    キャンセル

0

本当に文字コードがUTF8かどうかチェックしてみては。
ShiftJISだったりしませんか?

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。

  • 2018/10/26 15:35

    ファイルを編集し、「名前をつけて保存する」から文字コードをutf-8を指定して保存したのでutf-8になっているはずなのですが...

    キャンセル

15分調べてもわからないことは、teratailで質問しよう!

  • ただいまの回答率 88.03%
  • 質問をまとめることで、思考を整理して素早く解決
  • テンプレート機能で、簡単に質問をまとめられる

関連した質問

同じタグがついた質問を見る