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。

Question

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

Answer 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。

Comments

[farinelli]

有難うございます。やってみます！

Answer 2

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

Comments

[farinelli]

有難うございます！参考になります。
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？

追記: for w in wordsのそれは条件分岐の練習で書いてるのが残っていて、お恥ずかしい限りです。

[m3yrin]

お疲れ様です。回答します。

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。

```python
# 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
```

[m3yrin]

pythonのコードがうまく表示できないので、回答にも追記します。

[farinelli]

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？

[m3yrin]

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

[farinelli]

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！