ValueError: leer Wortschatz; vielleicht sind die nur Dokumente enthalten, die stop-Wörter

Ich bin mit (zum ersten mal) die scikit-Bibliothek und ich habe diesen Fehler:

ValueError: empty vocabulary; perhaps the documents only contain stop words
File "C:\Users\A605563\Desktop\velibProjetPreso\TraitementTwitterDico.py", line 33, in <module>
X_train_counts = count_vect.fit_transform(FileTweets)
File "C:\Python27\Lib\site-packages\sklearn\feature_extraction\text.py", line 804, in fit_transform
self.fixed_vocabulary_)
File "C:\Python27\Lib\site-packages\sklearn\feature_extraction\text.py", line 751, in _count_vocab
raise ValueError("empty vocabulary; perhaps the documents only contain stop words

Aber ich verstehe nicht, warum das passiert.

import sklearn
from sklearn.feature_extraction.text import CountVectorizer
import pandas as pd
import numpy
import unicodedata
import nltk


TweetsFile = open('tweets2015-08-13.csv', 'r+')
f2 = open('analyzer.txt', 'a')
print TweetsFile.readline()
count_vect = CountVectorizer(strip_accents='ascii')
FileTweets =  TweetsFile.read()
FileTweets = FileTweets.decode('latin1')
FileTweets = unicodedata.normalize('NFKD', FileTweets).encode('ascii','ignore')
print FileTweets
for line in TweetsFile:
    f2.write(line.replace('\n', ' '))
TweetsFile = f2
print type(FileTweets)
X_train_counts = count_vect.fit_transform(FileTweets)
print X_train_counts.shape
TweetsFile.close()

Meine Daten sind raw-tweets: 

11/8/2015 @ Paris Marriott Champs Elysees Hotel "
2015-08-11 21:27:15,"I'm at Paris Marriott Hotel Champs-Elysees in Paris, FR <https://t.co/gAFspVw6FC>"
2015-08-11 21:24:08,"I'm at Four Seasons Hotel George V in Paris, Ile-de-France <https://t.co/dtPALvziWy>"
2015-08-11 21:22:11,    . @ Avenue des Champs-Elysees <https://t.co/8b7U05OAxG>
2015-08-11 20:54:18,Her pistol go @ Raspoutine Paris (Official) <https://t.co/le9l3dtdgM>
2015-08-11 20:50:14,"Desde Paris, con amor. @ Avenue des Champs-Elysees <https://t.co/R68JV3NT1z>"

Weiß jemand, was ist hier Los?

  • Ich bin nicht vertraut mit der Bibliothek, aber sollte Sie sein, übergeben Sie eine Datei oder einen anderen parameter zu CountVectorizer(strip_accents='ascii')?
  • diese Linie ist init der countVectorizer, ich denke, das problem kommt von meinem Daten-Struktur, aber ich bin mir nicht sicher. Wenn ich eine kurze Liste von tweet (direkt roh in meinen code) das Programm arbeitet...
  • Ich vermute, wenn Sie Sie ausführen count_vect.fit_transform(FileTweets) die File Tweets leer ist. Könnten Sie uns zeigen, was FileTweets aussieht.
  • Wenn ich einen Druck von FileTweets ich habe : 11/8/2015 @ Paris Marriott Champs Elysees Hotel "2015-08-11 21:27:15"ich bin im Paris Marriott Hotel Champs-Elysees in Paris, FR <t.co/gAFspVw6FC>" 2015-08-11 21:24:08,"ich bin im Four Seasons Hotel George V in Paris, Ile-de-France <t.co/dtPALvziWy>" 2015-08-11 21:22:11, . @ Avenue des Champs-Elysées <t.co/8b7U05OAxG> 2015-08-11 20:54:18,Ihre Pistole gehen @ Raspoutine in Paris (Official) <t.co/le9l3dtdgM> 2015-08-11 20:50:14,"Desde Paris, con amor. @ Avenue des Champs-Elysées <t.co/R68JV3NT1z>" es ist ein kurzer Auszug.
  • hmmm, Satzzeichen vielleicht ist das Problem dann. Versuchen Sie, alle ' und ". Ich lief nur bei der Ausgabe, und es funktionierte gut für mich. Obwohl ich habe, um das entfernen Sie alle Anführungszeichen.
  • Nicht alle Daten sehen Sie auf den link
  • hier die Daten, sorry : <docs.google.com/document/d/...>

InformationsquelleAutor Honolulu | 2015-08-26
  1. 0

    ich habe eine Lösung gefunden, hier der code : 

    import sklearn
from sklearn.feature_extraction.text import CountVectorizer
import pandas as pd
import numpy as np
import unicodedata
import nltk 
import StringIO


TweetsFile = open('tweets2015-08-13.csv','r+')
yourResult = [line.split(',') for line in TweetsFile.readlines()]
count_vect = CountVectorizer(input="file")
docs_new = [ StringIO.StringIO(x) for x in yourResult ]
X_train_counts = count_vect.fit_transform(docs_new)
vocab = count_vect.get_feature_names()
print X_train_counts.shape
    InformationsquelleAutor Honolulu
  2. 0

    Dies ist eine viel einfachere Lösung:

    x = open('bad_words_train.txt', 'r+')
count_vect = CountVectorizer(input=file)
X_train = count_vect.fit_transform(x)
print(X_train)
    InformationsquelleAutor LoveMeow
Schreibe einen Kommentar