Ho questo codice per calcolare la somiglianza del testo con tf-idf.algoritmo tfidf per python
from sklearn.feature_extraction.text import TfidfVectorizer
documents = [doc1,doc2]
tfidf = TfidfVectorizer().fit_transform(documents)
pairwise_similarity = tfidf * tfidf.T
print pairwise_similarity.A
Il problema è che questo codice prende come input stringhe semplici e voglio preparare i documenti, eliminando stopwords, diraspatura e tokkenize. Quindi l'input sarebbe una lista. L'errore, se io chiamo la documents = [doc1,doc2]
con i documenti tokkenized è:
Traceback (most recent call last):
File "C:\Users\tasos\Desktop\my thesis\beta\similarity.py", line 18, in <module>
tfidf = TfidfVectorizer().fit_transform(documents)
File "C:\Python27\lib\site-packages\scikit_learn-0.14.1-py2.7-win32.egg\sklearn\feature_extraction\text.py", line 1219, in fit_transform
X = super(TfidfVectorizer, self).fit_transform(raw_documents)
File "C:\Python27\lib\site-packages\scikit_learn-0.14.1-py2.7-win32.egg\sklearn\feature_extraction\text.py", line 780, in fit_transform
vocabulary, X = self._count_vocab(raw_documents, self.fixed_vocabulary)
File "C:\Python27\lib\site-packages\scikit_learn-0.14.1-py2.7-win32.egg\sklearn\feature_extraction\text.py", line 715, in _count_vocab
for feature in analyze(doc):
File "C:\Python27\lib\site-packages\scikit_learn-0.14.1-py2.7-win32.egg\sklearn\feature_extraction\text.py", line 229, in <lambda>
tokenize(preprocess(self.decode(doc))), stop_words)
File "C:\Python27\lib\site-packages\scikit_learn-0.14.1-py2.7-win32.egg\sklearn\feature_extraction\text.py", line 195, in <lambda>
return lambda x: strip_accents(x.lower())
AttributeError: 'unicode' object has no attribute 'apply_freq_filter'
C'è un modo per cambiare il codice e renderlo accettare lista oppure ho di modificare i documenti tokkenized alle stringhe di nuovo?
Sembra che manchi il messaggio di errore effettivo (è stato incluso il traceback, ma non l'errore generato). –
Oops. Lo modifico – Tasos
@Tasos La mia risposta ha funzionato o hai ancora problemi? Puoi dare un esempio minimo di 'doc1' /' doc2' se la mia soluzione non ha funzionato? – chlunde