NLP之词频作向量

本文探讨了自然语言处理(NLP)中如何将词频转换为向量,介绍了词袋模型(Bag-of-Words)和TF-IDF等方法,阐述了它们在文本表示中的作用和应用场景,帮助理解文本数据的量化过程。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >


def cutword():
    con1 = jieba.cut("今天很残酷,明天更残酷,后天很美好,但绝对大部分是死在明天晚上,所以每个人不要放弃今天。")

    con2 = jieba.cut("我们看到的从很远星系来的光是在几百万年之前发出的,这样当我们看到宇宙时,我们是在看它的过去。")

    con3 = jieba.cut("如果只用一种方式了解某样事物,你就不会真正了解它。了解事物真正含义的秘密取决于如何将其与我们所了解的事物相联系。")
    c1 = " ".join(con1)
    c2 = " ".join(con2)
    c3 = " ".join(con3)

    return c1, c2, c3

def hanzivec():
    """
    中文特征值化
    :return:None
    """
    c1, c2, c3 = cutword()
    print("c1类型:",type(c1))
    print("c1:",c1)
    print("c2:",c2)
    print("c3:",c3)
    cv = CountVectorizer()
    da
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值