BOW на відгуках про товари
Ви попрактикувалися з BOW на невеликому наборі даних. Тепер застосуєте його до вибірки відгуків про товари з Amazon. Дані вже імпортовано під назвою reviews. Є два стовпці. Перший — score: він дорівнює 0, якщо відгук негативний, і 1, якщо позитивний. Другий стовпець — review, він містить текст відгуку, який залишив клієнт. За бажанням дослідіть дані в оболонці IPython.
Ваше завдання — побудувати словник BOW, використовуючи стовпець review.
Пам'ятайте, що можна викликати метод .get_feature_names() у векторизаторі, щоб отримати список усіх елементів словника.
Ця вправа є частиною курсу
Аналіз тональності в Python
Інструкції до вправи
- Створіть об'єкт CountVectorizer, вказавши максимальну кількість ознак.
- Виконайте fit для векторизатора.
- Застосуйте transform до навченого векторизатора.
- Створіть DataFrame, перетворивши розріджену матрицю на щільний масив, і переконайтеся, що правильно задали назви стовпців.
Інтерактивна практична вправа
Спробуйте виконати цю вправу, доповнивши цей зразок коду.
from sklearn.feature_extraction.text import CountVectorizer
# Build the vectorizer, specify max features
vect = ____(____=100)
# Fit the vectorizer
vect.____(reviews.review)
# Transform the review column
X_review = vect.____(reviews.review)
# Create the bow representation
X_df=pd.DataFrame(X_review._____, columns=___.____)
print(X_df.head())