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

90.48%

  • Python 3.x

    10240questions

    Python 3はPythonプログラミング言語の最新バージョンであり、2008年12月3日にリリースされました。

TF-IDF値が一定値以上のものをデータとして保持する

受付中

回答 1

投稿

  • 評価
  • クリップ 1
  • VIEW 1,097
退会済みユーザー

退会済みユーザー

前提・実現したいこと

現在、指定したテキストファイルから一定値以上のTF-IDF値を持つ単語をkeywordとして抽出し、keywordとそのTF-IDF値をセットで入力データとして保持させるプログラムを作ろうとしています。
表示をさせることはできたのですが、どのようにすればデータを保持できるのかが分かりません。
表示をさせ、なおかつデータを保持したいです。
アドバイスをよろしくお願いします。

該当のソースコード

# -*- coding: utf-8 -*-
#keyword表示
#指定したテキストファイル(日本語は分かち書きされたもののみ)に対応

import numpy as np
from sklearn.feature_extraction.text import CountVectorizer
from sklearn.feature_extraction.text import TfidfTransformer

#CountVectorizer():文書ごとの単語の出現頻度を取得
count = CountVectorizer()

#文書を指定
docs = input('select file(ex,○○.txt):')
docs_name = docs
f = open(docs, encoding = 'utf-8')
docs = f.readlines()
f.close()

#絞り込みの基準を設定
level = float(input('set level(0.0 < level < 1.0):'))

#文書を表示
print('%s = %s\n' %(docs_name, docs))

#N種類の文字列を0からN-1までの整数に置き換える
bag = count.fit_transform(docs)
TF = bag.toarray()

#ディクショナリを表示
dic = count.get_feature_names()
print('dictionary = %s\n' %dic)

#各単語のインデックスを表示
idx = count.vocabulary_
print('index = %s\n' %idx)

#TfidfTransformer:(文書内の)TF-IDFを計算
tfidf = TfidfTransformer(use_idf = True, norm = 'l2', smooth_idf = True)
np.set_printoptions(precision = 2)
TF_IDF = tfidf.fit_transform(bag).toarray()

#keywordを表示()
for idx, word in zip(*np.where(level <= TF_IDF)):
    print('doc_num:%s, keyword:%s, TF-IDF:%s'%(idx, dic[word], TF_IDF[(idx, word)]))

補足情報

pythonは触り始めたばかりなので、簡単な方法を教えていただけるとありがたいです。

  • 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
    • 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。

質問への追記・修正、ベストアンサー選択の依頼

  • magichan

    2017/07/17 15:29

    「データを保持したい」という説明があいまいな気がします。具体的にどのようなことをおこないたいのでしょうか?(CSV形式等で保存したいということでしょうか?)

    キャンセル

  • 退会済みユーザー

    退会済みユーザー

    2017/07/17 15:37

    単語とTF-IDF値のデータセットを利用して、機械学習させたいと考えています。そのためのデータセットを作るプログラム作成したいです。

    キャンセル

回答 1

0

正直に言って、質問の意図はよくわかりません。

しかし、このプログラムで抽出できるものは行ごとのTF-IDFであって、文書ごとのTF-IDFないですね。

すこし修正しました。しかし、修正したプログラムはあくまで、TF-IDFではなくて、1つの文書の 正規化TFを出すものですので注意してください。

また、動作検証時に面倒だったので、日本語をコード内で分かち書きするように書きかえました。

# -*- coding: utf-8 -*-
#keyword表示

import numpy as np
from janome.tokenizer import Tokenizer
from sklearn.feature_extraction.text import CountVectorizer
from sklearn.feature_extraction.text import TfidfTransformer

#CountVectorizer():文書ごとの単語の出現頻度を取得
count = CountVectorizer()

#文書を指定
docs = input('select file(ex,○○.txt):')
docs_name = docs
f = open(docs, encoding = 'utf-8')
docs = f.read()
f.close()

#絞り込みの基準を設定
level = float(input('set level(0.0 < level < 1.0):'))

#文書を表示
print('%s = %s\n' %(docs_name, docs))

#N種類の文字列を0からN-1までの整数に置き換える
t = Tokenizer()
docs = [" ".join(t.tokenize(docs, wakati=True))]
bag = count.fit_transform(docs)
TF = bag.toarray()

#ディクショナリを表示
dic = count.get_feature_names()
print('dictionary = %s\n' %dic)

#各単語のインデックスを表示
idx = count.vocabulary_
print('index = %s\n' %idx)

#TfidfTransformer:(文書内の)TF-IDFを計算
tfidf = TfidfTransformer(use_idf = True, norm = 'l2', smooth_idf = True)
np.set_printoptions(precision = 2)
TF_IDF = tfidf.fit_transform(bag).toarray()

#keywordを表示()
for idx, word in zip(*np.where(level <= TF_IDF)):
    print('doc_num:%s, keyword:%s, TF-IDF:%s'%(idx, dic[word], TF_IDF[(idx, word)]))

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。

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 90.48%
  • 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

同じタグがついた質問を見る

  • Python 3.x

    10240questions

    Python 3はPythonプログラミング言語の最新バージョンであり、2008年12月3日にリリースされました。