0

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。

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?

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

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')

#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]

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

1

1 件の回答 1

1

MeCabをpythonから使う場合、mecab-python3を入れて使うことができます。nattoを使う代わりにmecab-python3を使って修正したスクリプトは以下です。

import MeCab
from sklearn.feature_extraction.text import TfidfVectorizer
import numpy as np

mecab = MeCab.Tagger('-d /usr/local/lib/mecab/dic/mecab-ipadic-neologd')

corpus = []
with open("tfidf_test.txt") as f:
    targets = {}
    rm_list = ["RT", "https", "co"]
    for line in f:
        words = mecab.parse(line).split("\n")
        tmp = []
        for w in words:
            w = w.strip().split()
            if len(w) == 2:
                tmp.append(w[0])
                if w[1].startswith("名詞,"):
                    targets[w[0]] = True
        corpus.append(' '.join(tmp))

print(targets)

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([x for x in feature_words[0] if x in targets][:10])

tfidf vectorizerのfit_transformに渡すべきなのはstr型データのリストです。

nattoによってトーカナイズされたコーパスは、明らかにstr型にはなっていません。

これを、純正のmecab-python3を使うように変更し、-Owakatiオプションを付け足すことで、単純な分かち書きをstr型として渡すことができます。ただ、この場合は何度もトーカナイズするのは効率が悪いので、一度のトーカナイズですべてできるため、あえて-Owakatiオプションを使わないで実行しています。

AttributeError: 'generator' object has no attribute 'lower'

このエラーからもわかるように、fit_transformに渡すリスト内の要素はlower関数をもつ必要があります。lower関数を持っているのはstr型のデータです。

出力は以下のようになりました。

(略)
['世界', 'おは', '子猫', '必死', 'バイク', '男性', '自転車', 'どこ', '高校生', 'ざま']
['高校生', '応援', 'おかげ', 'ここ', 'こと', 'ざま', '金賞', '吹奏楽コンクール', '京都', '方々']
['撮影', '写真', '平谷村役場', 'ひまわり畑', '今年', 'どこ', '変顔', 'まとも', 'いちばん', '自分']

この質問に回答するには、ログインする必要があります。

求めていた回答ではありませんか? のタグが付いた他の質問を参照する。