vecs.append(model[word]) TypeError: 'Word2Vec' object is not subscriptable

在这个上下文中，`model[word]` 报错 `TypeError: 'Word2Vec' object is not subscriptable` 是因为你在尝试像访问列表或数组那样对 `model` 对象使用索引操作，但 `model` 实际上是一个 `Word2Vec` 类的对象，而不是可以直接按需获取单词向量的容器。

在 `word2vec` 中，通常 `model` 是一个训练好的词嵌入模型，它可能不直接提供按单词索引获取词向量的方法。`model[word]` 应该表示的是通过某种方式（如查找表或模型内部结构）从模型中检索特定单词对应的向量。然而，这并不是 `Word2Vec` 类的默认行为，你可能需要调用特定的接口或者方法来实现这个功能。

如果你想要将某个单词的向量添加到 `vecs` 列表中，你应该有一个返回词向量的函数或者方法。假设你有一个 `get_vector(word)` 函数，可以这样操作：

word = "example_word"  # 替换为你想查询的单词
vector = model.get_vector(word)
if vector is not None:  # 检查单词是否存在于模型中
    vecs.append(vector)

如果 `model` 实现了 `__getitem__` 方法，你可以尝试直接使用方括号 `[]` 访问，但要注意不是所有 `Word2Vec` 实现都有此特性。

相关问题

feature_dict = dict(zip(img_paths, list(vecs.detach().cpu().numpy().T))) TypeError: unhashable type: 'list'

这个错误是因为你试图将列表（`list(vecs.detach().cpu().numpy().T)`）作为字典键，然而Python字典的键必须是可哈希（Hashable）的数据类型，而列表不是。当你尝试将不可哈希的对象如列表存储到字典中时，会引发 `TypeError: unhashable type: 'list'`。

在这种情况下，你需要找到一种方法来转换列表使其成为可哈希的。你可以考虑：

1. 使用元组或字符串（如果元素本身可以构成唯一标识符）替换列表，因为元组和字符串都是可哈希的。
2. 如果列表中的内容是可以排序并唯一的，你可以尝试对它们排序后作为新的键。
3. 创建一个新的数据结构，比如集合（set），虽然它不允许有重复元素，但请注意集合是无序的。

例如，如果你确定列表的内容都是唯一的，你可以这样做：

feature_dicts = {tuple(path): vec for path, vec in zip(img_paths, list(vecs.detach().cpu().numpy().T))}

这里我们用到了 tuple 来创建一个新的、可哈希的键。

解释这段代码# coding: utf-8 from gensim.models.word2vec import Word2Vec import numpy as np import jieba import csv from sklearn.externals import joblib # 对每个句子的所有词向量取均值，来生成一个句子的vector def build_sentence_vector(text, size, imdb_w2v): vec = np.zeros(size).reshape((1, size)) count = 0. for word in text: try: vec += imdb_w2v.wv[word].reshape((1, size)) count += 1. except KeyError: continue if count != 0: vec /= count return vec # 构建待预测句子的向量 def get_predict_vecs(words): n_dim = 300 imdb_w2v = Word2Vec.load(r'..\test\sentiment-analysis\svm_data\w2v_model\w2v_model.pkl') train_vecs = build_sentence_vector(words, n_dim, imdb_w2v) return train_vecs # 对单个句子进行情感判断 def svm_predict(string): words = jieba.lcut(string) words_vecs = get_predict_vecs(words) # 构建测试集的词向量 # 加载训练好的模型 clf = joblib.load(r'..\test\sentiment-analysis\svm_data\svm_model\model.pkl') result = clf.predict(words_vecs) if int(result[0]) == 1: #print("positive") return "1" else: #print("negetive") return "-1" count = 0 prodict = 0 # 计算准确度 with open(r'..\test\sentiment-analysis\test.csv',encoding='utf-8') as csvfile: online = csv.reader(csvfile) for lonly in enumerate(online): count = count + 1 identify = svm_predict(lonly[1][0]) print(lonly[1][1]) if identify == lonly[1][1]: prodict = prodict + 1 accuracy = prodict/count*100.0 print(accuracy)

这段代码的作用是创建一个Python的类，类名为Person，其中包含两个属性name和age，以及两个方法__init__()和get_info()。其中__init__()方法是类的构造函数，用于初始化对象的属性值；get_info()方法用于返回对象的信息，即name和age属性的值。