使用Python在csv文件中去除停用词、用到函数CountVectorizer 和 TfidfTransformer()构建文本的 TF-IDF 矩阵

好的，以下是一个示例代码，演示如何在Python中从CSV文件中读取文本数据，去除停用词，并使用CountVectorizer和TfidfTransformer函数构建文本的TF-IDF矩阵：

import pandas as pd
from sklearn.feature_extraction.text import CountVectorizer, TfidfTransformer
from nltk.corpus import stopwords

# 从CSV文件中读取文本数据
df = pd.read_csv('text_data.csv')

# 去除停用词
stop_words = set(stopwords.words('english'))

# 构建 CountVectorizer 对象
vectorizer = CountVectorizer(stop_words=stop_words)

# 对文本进行特征提取
X = vectorizer.fit_transform(df['text'].values.astype('U'))

# 构建 TfidfTransformer 对象并进行特征转换
transformer = TfidfTransformer()
tfidf = transformer.fit_transform(X)

# 输出 TF-IDF 矩阵
print(tfidf.toarray())

在上面的代码中，我们使用了Pandas库中的read_csv函数从CSV文件中读取了文本数据。然后，我们使用NLTK库中的停用词列表去除了文本中的停用词。接着，我们使用CountVectorizer函数对文本进行特征提取，得到了文本的词频矩阵。最后，我们使用TfidfTransformer函数对词频矩阵进行特征转换，得到了TF-IDF矩阵，并输出了TF-IDF矩阵的数组形式。

请注意，上面的代码中使用了`astype('U')`将文本数据转换为Unicode字符串类型，以确保能够正确地进行特征提取和转换。