mport pandas as pd from sklearn.feature_extraction.text import CountVectorizer # 读取CSV文件 df = pd.read_csv(r'F:\RIOS\Patents\fillter.csv') # 获取要计算词向量的列 text = df['filtered_draw_desc_text'].values # 计算词向量 vectorizer = CountVectorizer() X = vectorizer.fit_transform(text) 阅读这个代码并在这个基础上生成一个新的表，这个表有两个attribution，一个是单词名称，一个是对应向量

可以使用以下代码将稀疏矩阵表示的词向量转化为一个DataFrame表格：

# 将稀疏矩阵转化为DataFrame
df_words = pd.DataFrame(X.toarray(), columns=vectorizer.get_feature_names())

# 添加单词名称列
df_words.insert(0, 'word', vectorizer.get_feature_names())

# 打印结果
print(df_words)

这个代码将稀疏矩阵表示的词向量转化为一个DataFrame表格，其中每一行表示一个文本的词向量，每一列表示一个单词。'word'列是单词名称，其余列是对应单词的词频。

相关问题

mport plotly.express as px import pandas as pd fig = px.parallel_coordinates(df2) fig.show()这个图片是空的

这个问题很有可能是因为你的数据集 `df2` 中的某些列中有缺失值或者数据类型不正确。你可以尝试对数据集进行清洗和转换，以确保数据集中的所有列都是正确的数据类型，并且没有缺失值。

此外，你也可以尝试修改 `px.parallel_coordinates()` 函数的一些参数，例如 `color`、`dimensions`、`labels` 等，以查看不同的可视化结果。

如果你需要更详细的帮助，请提供更多的信息，例如你的数据集的结构和内容，以及你的代码。

mport numpy as np import tensorflow as tf from keras.models import Sequential from keras.layers import Dense, Activation, Dropout, Flatten from keras.layers.convolutional import Conv2D, MaxPooling2D from keras.utils import np_utils from keras.datasets import mnist from keras import backend as K from keras.optimizers import Adam import skfuzzy as fuzz import pandas as pd from sklearn.model_selection import train_test_split # 绘制损失曲线 import matplotlib.pyplot as plt import time from sklearn.metrics import accuracy_score data = pd.read_excel(r"D:\pythonProject60\filtered_data1.xlsx") # 读取数据文件 # Split data into input and output variables X = data.iloc[:, :-1].values y = data.iloc[:, -1].values X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42) # 导入MNIST数据集 # 数据预处理 y_train = np_utils.to_categorical(y_train, 3) y_test = np_utils.to_categorical(y_test, 3) # 创建DNFN模型 start_time=time.time() model = Sequential() model.add(Dense(64, input_shape=(11,), activation='relu')) model.add(Dense(128, activation='relu')) model.add(Dropout(0.5)) model.add(Dense(3, activation='softmax')) # 编译模型 model.compile(loss='categorical_crossentropy', optimizer=Adam(), metrics=['accuracy']) # 训练模型 history = model.fit(X_train, y_train, validation_data=(X_test, y_test), epochs=10, batch_size=128) # 使用DNFN模型进行预测 y_pred = model.predict(X_test) y_pred= np.argmax(y_pred, axis=1) print(y_pred) # 计算模糊分类 fuzzy_pred = [] for i in range(len(y_pred)): fuzzy_class = np.zeros((3,)) fuzzy_class[y_pred[i]] = 1.0 fuzzy_pred.append(fuzzy_class) fuzzy_pred = np.array(fuzzy_pred) end_time = time.time() print("Total time taken: ", end_time - start_time, "seconds")获得运行结果并分析

根据代码，这是一个使用Keras创建DNFN模型，对数据进行分类的代码。数据集使用的是一个Excel文件，通过pandas读取数据，然后分为训练集和测试集。模型使用了三层Dense层，其中第一层有64个神经元，第二层有128个神经元，最后一层是softmax激活函数的Dense层，输出3个类别的概率。模型使用Adam优化器和categorical_crossentropy损失函数进行编译。训练模型时使用了128个样本的batch size，训练了10个epochs。训练结束后，使用模型对测试集进行预测，得到了预测结果和模糊分类结果。最后，代码输出了总共的运行时间。

需要注意的是，这份代码并没有对数据进行标准化或归一化处理，这可能会影响模型的性能。同时，模型的参数也可以进行调整以达到更好的性能。