基于单字符串列的变量分类方法咨询（含SVM疑问及示例数据）

针对你的需求——用产品名称（names列）预测类别（category列），我来一步步带你实现，全是可直接跑的代码和易懂的解释～

第一步：准备环境与加载数据 #

首先确保你安装了必要的库：pandas用于数据处理，scikit-learn用于特征提取和模型构建。如果没装，直接用pip install pandas scikit-learn搞定。

先把你的示例数据加载成DataFrame：

import pandas as pd

# 你的示例数据
data = [
    ["321 Friall Táborské krokety 750g", "美式土豆与薯条"],
    ["800 McCain Fri'Style 600g", "美式土豆与薯条"],
    ["803 McCain Smiles 450g", "美式土豆与薯条"],
    ["935 Nowaco Americké brambory 750g", "美式土豆与薯条"],
    ["937 Nowaco Krokety 300g", "美式土豆与薯条"],
    ["1375 Tesco Kořeněné bramborové dílky 750g", "美式土豆与薯条"],
    ["939 Nowaco Pstruh lososovitý filet", "包装鱼类"],
    ["1157 Rybářství Chlumec Nad Cidlinou Kapr půlka s kůží čerstvá chlazená", "包装鱼类"],
    ["1158 Rybářství Chlumec Nad Cidlinou Kapr řízky s kůží čerstvě chlazené", "包装鱼类"],
    ["1159 Rybářství Chlumec Nad Cidlinou Pstruh kuchaný s hlavou čerstvý chlazený", "包装鱼类"],
    ["322 Gastro Camping salát 140g", "包装沙拉"],
    ["323 Gastro Ďábelský salát 140g", "包装沙拉"],
    ["324 Gastro Feferonový salát 140g", "包装沙拉"],
    ["325 Gastro Hermelínový salát 140g", "包装沙拉"],
    ["326 Gastro Holandský salát 140g", "包装沙拉"],
    ["327 Gastro Loupežnický salát 140g", "包装沙拉"]
]

df = pd.DataFrame(data, columns=["names", "category"])

第二步：文本特征提取——把字符串转成数值向量 #

SVM是数值模型，没法直接处理文本，所以咱们用TF-IDF把产品名称转换成数值特征。TF-IDF能帮我们衡量每个词汇在文本中的重要性，比如“salát”（沙拉）在沙拉类名称里出现频繁，权重就高，很适合分类。

from sklearn.feature_extraction.text import TfidfVectorizer

# 初始化TF-IDF转换器，这里可以根据需求调整参数，比如去掉停用词（如果你的语言有现成停用词库的话）
tfidf = TfidfVectorizer(stop_words=None)  # 因为你的数据是捷克语+中文，暂时不用停用词，后续可以优化
X = tfidf.fit_transform(df["names"])  # 把names列转成TF-IDF矩阵
y = df["category"]  # 目标类别

第三步：拆分训练集与测试集 #

为了评估模型效果，咱们把数据分成训练集（用来训练模型）和测试集（用来验证模型）：

from sklearn.model_selection import train_test_split

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

第四步：构建并训练SVM模型 #

文本分类里，线性核SVM通常效果不错，而且速度快，适合你的场景。咱们用scikit-learn的SVC类来实现：

from sklearn.svm import SVC

# 初始化线性核SVM分类器
svm_classifier = SVC(kernel='linear')
# 用训练集训练模型
svm_classifier.fit(X_train, y_train)

第五步：模型评估与预测 #

训练完之后，咱们看看模型在测试集上的表现，比如准确率，也可以用混淆矩阵看分类细节：

from sklearn.metrics import accuracy_score, confusion_matrix, classification_report

# 用测试集预测
y_pred = svm_classifier.predict(X_test)

# 输出准确率
print(f"模型准确率：{accuracy_score(y_test, y_pred):.2f}")

# 输出分类报告（包含精确率、召回率、F1值）
print("\n分类报告：")
print(classification_report(y_test, y_pred))

# 输出混淆矩阵
print("\n混淆矩阵：")
print(confusion_matrix(y_test, y_pred))

第六步：用模型预测新数据 #

如果有新的产品名称，咱们可以这样预测它的类别：

# 示例新数据
new_names = ["Tesco Krokety 500g", "Greek Salát 200g", "Rybářství Kapr filet"]
# 转成TF-IDF特征（注意用transform，不是fit_transform，避免数据泄露）
new_X = tfidf.transform(new_names)
# 预测类别
predictions = svm_classifier.predict(new_X)

for name, pred in zip(new_names, predictions):
    print(f"产品名称：{name} → 预测类别：{pred}")

一些优化建议 #

• 停用词处理：如果你的数据里有很多无意义的词汇（比如数字、单位“g”），可以自定义停用词列表，在TfidfVectorizer里设置stop_words参数，过滤掉这些干扰项。
• 核函数选择：如果线性核效果不够好，可以试试RBF核（kernel='rbf'），但要注意调参（比如C和gamma）。
• 数据增强：如果你的数据集很小，可以考虑同义词替换、拼写修正等方式扩充数据，提升模型泛化能力。

内容的提问来源于stack exchange，提问作者Patrik Bachan