python - tfidf - tf idf vectorizer sklearn

TfidfVectorizer en scikit-learn: ValueError: np.nan no es un documento válido

Question

Estoy usando TfidfVectorizer de scikit-learn para realizar una extracción de características a partir de datos de texto. Tengo un archivo CSV con una Puntuación (puede ser +1 o -1) y una Revisión (texto). Metí estos datos en un DataFrame para poder ejecutar el Vectorizer.

Este es mi código:

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''])

Este es el rastreo del error que recibo:

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.

Revisé el archivo CSV y el marco de datos para cualquier cosa que se lea como NaN pero no puedo encontrar nada. Hay 18000 filas, ninguna de las cuales devuelve isnan como Verdadero.

Esto es lo que df[''Review''].head() ve así:

 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

Answer 1

Debe convertir el object dtype en una cadena unicode como se menciona claramente en el rastreo.

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

Desde la página Doc del vectorizador TFIDF:

fit_transform (raw_documents, y = Ninguno)

Parámetros: raw_documents: iterable
un iterable que produce objetos str , unicode o file