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

88.06%

テキストファイル中の名詞をtf-idfのスコア順に並べたい。

解決済

回答 2

投稿

  • 評価
  • クリップ 0
  • VIEW 1,823

score 21

Pythonで、ツイートを格納したテキストをMeCab(+natto)で形態素解析し、抽出した名詞のtf-idfのスコアを出して並べ替えたいです。コードを走らせた結果、以下のエラーが出ました。
プログラミングを始めたばかりで頼れる人もおらず、何が起きていて、どのように直せばいいのか本当に分からず、質問させていただきました。
お知恵をお貸しいただけませんでしょうか? 宜しくお願いします。

Traceback (most recent call last):
  File "tfidf_test_dataset.py", line 41, in <module>
    tfidf = vectorizer.fit_transform(corpus)
  File "/Users/macuser/Workspaces/jxpress/trendword/.direnv/python-3.7.3/lib/python3.7/site-packages/sklearn/feature_extraction/text.py", line 1652, in fit_transform
    X = super().fit_transform(raw_documents)
  File "/Users/macuser/Workspaces/jxpress/trendword/.direnv/python-3.7.3/lib/python3.7/site-packages/sklearn/feature_extraction/text.py", line 1058, in fit_transform
    self.fixed_vocabulary_)
  File "/Users/macuser/Workspaces/jxpress/trendword/.direnv/python-3.7.3/lib/python3.7/site-packages/sklearn/feature_extraction/text.py", line 970, in _count_vocab
    for feature in analyze(doc):
  File "/Users/macuser/Workspaces/jxpress/trendword/.direnv/python-3.7.3/lib/python3.7/site-packages/sklearn/feature_extraction/text.py", line 352, in <lambda>
    tokenize(preprocess(self.decode(doc))), stop_words)
  File "/Users/macuser/Workspaces/jxpress/trendword/.direnv/python-3.7.3/lib/python3.7/site-packages/sklearn/feature_extraction/text.py", line 256, in <lambda>
    return lambda x: strip_accents(x.lower())
AttributeError: 'generator' object has no attribute 'lower'

該当のソースコード

from natto import MeCab
import codecs
import sys
import re
from sklearn.feature_extraction.text import TfidfVectorizer
import numpy as np
#ファイル読み込み
with codecs.open("tfidf_test.txt", "r", "utf-8") as f:
    corpus = f.read().split("\n")

mecab = MeCab('-d /usr/local/lib/mecab/dic/mecab-ipadic-neologd')
#形態素解析
#if tagger.lang == 'ja':
for txt in corpus:
    words = mecab.parse(txt, as_nodes=True)

    for w in words:
        rm_list = ["RT","https","co"]
        if w.feature.split(",")[0] == "名詞":
            if len(w.surface) >= 2:
                if not any(rm in w.surface for rm in rm_list):
                    print(str(w.surface))
                else:
                    print("")
            else:
                print("")
        else:
            print("")

corpus = [mecab.parse(txt, as_nodes=True) for line in corpus]
#tf-idf計算
vectorizer = TfidfVectorizer()
tfidf = vectorizer.fit_transform(corpus)

#スコアの表示
print(tfidf.toarray())
# テキストの数、出現した単語の数
print(tfidf.shape)

#並べ替え
feature_names = np.array(vectorizer.get_feature_names())
for vec in tfidf:
    index = np.argsort(vec.toarray(), axis=1)[:,::-1]
    feature_words = feature_names[index]
    print(feature_words[:,:10])
自転車やバイクで世界を回っている男性が必死で追いかけてくる子猫と出会い、彼の旅を変えたおはなし

京都吹奏楽コンクール高校生小編成の部で金賞をとることができました!ここまで支えてくださった方々のおかげです沢山の応援ありがとうござました

今年も平谷村役場裏のひまわり畑で撮影しました。撮影した殆どの写真が変顔の自分。いちばんまともな顔の写真を。どこにいるかわかりにくいですが

補足情報(FW/ツールのバージョンなど)

iOS 10.12.6, Python 3.7.3, Atom

  • 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

+1

お疲れ様です。回答します。

下記の箇所について

corpus = [mecab.parse(txt, as_nodes=True) for line in corpus]

次のように変更して実行してみてください。これで手元の環境ではエラーを回避できました。

# corpus = [mecab.parse(txt, as_nodes=True) for line in corpus]

docs = []
for words in corpus:
    doc = [str(w.surface) for w in mecab.parse(words, as_nodes=True)]
    doc = ' '.join(doc)
    docs.append(doc)
corpus = docs

追記

あとすみません、重ねて恐縮なんですが、本来ならfor w in words以降で名詞のみを選んで並べ替えをしたいのですが、このコードだと名詞を表示させることしかできておらず、tfidfのスコアを出す上で必要のない他の品詞も混ざってしまっているように見受けられます。
この場合、どのように書き直せば宜しいでしょうか?

ご質問のコードに含まれていた条件分岐のloopを再利用して、次のようにかけるかと思います。
条件はif文を追加・削除して調整してみてください。

# corpus = [mecab.parse(txt, as_nodes=True) for line in corpus]

rm_list = ["RT","https","co"]
docs = []
for txt in corpus:
    words = mecab.parse(txt, as_nodes=True)
    doc = []

    for w in words:
        if w.feature.split(",")[0] == "名詞":
            if len(w.surface) >= 2:
                if not any(rm in w.surface for rm in rm_list):
                    doc.append(str(w.surface))

    doc = ' '.join(doc)
    docs.append(doc)
corpus = docs

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。

  • 2019/08/15 14:29

    有難うございます。
    実行した結果、
    tfidf = vectorizer.fit_transform(w.surface)の箇所に
    ValueError: Iterable over raw text documents expected, string object received.
    とエラーが出てしまいました。
    この場合、何がどうなっていてどうすればいいのか、ご教授いただけませんでしょうか?

    キャンセル

  • 2019/08/15 14:38

    お疲れ様です。
    指摘のエラーについてですが、大元のコードには
    ```python
    tfidf = vectorizer.fit_transform(w.surface)
    ```
    の行は見受けられないのですが、こちらは新たに加えられたコードでしょうか?

    `w.surface`ですと、おそらくstringで返される値になりますので、TfidfVectorizer.fit_transform()の入力としては使用できません。
    https://scikit-learn.org/stable/modules/generated/sklearn.feature_extraction.text.TfidfVectorizer.html

    キャンセル

  • 2019/08/15 14:46

    すみません、勘違いをしていました。
    解決しました。有難うございます!

    キャンセル

+1

そのmecab.parseはジェネレータを返していますから、適宜展開してください。

また、TfidfVectorizerはデフォルトではデータの文字列を英文テキストとみなして解析するので、少し不都合があるでしょう。

data = [[word.surface for word in mecab.parse(txt, as_nodes=True)]
        for line in corpus]
vectorizer = TfidfVectorizer(analyzer=lambda x:x)
result = vectorizer.fit_transform(data)


とかですかね。

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。

  • 2019/08/15 14:47

    有難うございます。やってみます!

    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 88.06%
  • 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