[解決済み] scikit-learn の TfidfVectorizer 。ValueError: np.nan は無効なドキュメントである。

質問

scikit-learnのTfidfVectorizerを使って、テキストデータから特徴抽出を行っています。スコア(+1または-1)とレビュー(テキスト)を含むCSVファイルがあります。このデータをDataFrameに取り込んで、Vectorizerを実行できるようにしました。

これが私のコードです。

import pandas as pd
import numpy as np
from sklearn.feature_extraction.text import TfidfVectorizer

df = pd.read_csv("train_new.csv",
             names = ['Score', 'Review'], sep=',')

# x = df['Review'] == np.nan
#
# print x.to_csv(path='FindNaN.csv', sep=',', na_rep = 'string', index=True)
#
# print df.isnull().values.any()

v = TfidfVectorizer(decode_error='replace', encoding='utf-8')
x = v.fit_transform(df['Review'])

これは、私が受け取ったエラーのトレースバックです。

Traceback (most recent call last):
  File "/home/PycharmProjects/Review/src/feature_extraction.py", line 16, in <module>
x = v.fit_transform(df['Review'])
 File "/home/b/hw1/local/lib/python2.7/site-   packages/sklearn/feature_extraction/text.py", line 1305, in fit_transform
   X = super(TfidfVectorizer, self).fit_transform(raw_documents)
 File "/home/b/work/local/lib/python2.7/site-packages/sklearn/feature_extraction/text.py", line 817, in fit_transform
self.fixed_vocabulary_)
 File "/home/b/work/local/lib/python2.7/site- packages/sklearn/feature_extraction/text.py", line 752, in _count_vocab
   for feature in analyze(doc):
 File "/home/b/work/local/lib/python2.7/site-packages/sklearn/feature_extraction/text.py", line 238, in <lambda>
tokenize(preprocess(self.decode(doc))), stop_words)
 File "/home/b/work/local/lib/python2.7/site-packages/sklearn/feature_extraction/text.py", line 118, in decode
 raise ValueError("np.nan is an invalid document, expected byte or "
 ValueError: np.nan is an invalid document, expected byte or unicode string.

CSVファイルとDataFrameをチェックして、NaNとして読み込まれているものがないか確認しましたが、何も見つかりませんでした。18000行あり、そのどれもが isnan をTrueにしてください。

これは df['Review'].head() のように見える。

  0    This book is such a life saver.  It has been s...
  1    I bought this a few times for my older son and...
  2    This is great for basics, but I wish the space...
  3    This book is perfect!  I'm a first time new mo...
  4    During your postpartum stay at the hospital th...
  Name: Review, dtype: object

解決方法は？

を変換する必要があります。 object を unicode の文字列が、トレースバックに明記されています。

x = v.fit_transform(df['Review'].values.astype('U'))  ## Even astype(str) would work

TFIDF VectorizerのDocページより。

fit_transform(raw_documents, y=None)

パラメータ： raw_documents : iterable
のいずれかを返すイテラブルです。 str , ユニコード または ファイルオブジェクト