我正在按照教程 https://github.com/amueller/introduction_to_ml_with_python/blob/master/07-working-with-text-data.ipynb 了解机器学习和文本。使用sklearn的解码/编码load_files
就我而言,我正在使用我下载的推文,在他们正在使用的完全相同的目录结构(尝试学习情感分析)中使用正面和负面的推文。
在这里,在IPython的笔记本我打开我的数据,就像他们做的事:
tweets_train =load_files('Path to my training Tweets')
然后我尝试用CountVectorizer适合他们
vect = CountVectorizer().fit(text_train)
我得到
UnicodeDecodeError: 'utf-8' codec can't decode byte 0xd8 in position 561: invalid continuation byte
这是因为我的Tweets中有各种非标准文字吗?我没有做我的鸣叫的任何清理(我假设有一些与帮助,以使单词一袋工作库?)
编辑:
:我用用Twython下载鸣叫 代码def get_tweets(user):
twitter = Twython(CONSUMER_KEY,CONSUMER_SECRET,ACCESS_KEY,ACCESS_SECRET)
user_timeline = twitter.get_user_timeline(screen_name=user,count=1)
lis = user_timeline[0]['id']
lis = [lis]
for i in range(0, 16): ## iterate through all tweets
## tweet extract method with the last list item as the max_id
user_timeline = twitter.get_user_timeline(screen_name=user,
count=200, include_retweets=False, max_id=lis[-1])
for tweet in user_timeline:
lis.append(tweet['id']) ## append tweet id's
text = str(tweet['text']).replace("'", "")
text_file = open(user, "a")
text_file.write(text)
text_file.close()
这意味着您要么使用UTF-8以外的编码存储数据,要么数据以某种方式损坏。请提供有关如何下载并将推文保存到磁盘的详细信息(=代码)。 – lenz
请参阅编辑代码以下载推文。 –
你也可以显示你如何从'tweets_train'到'text_train'? – lenz