Gensim Doc2Vec：关联原始DataFrame与文档向量及按作者查询方法

嘿，这个需求其实很好实现，咱们一步步来拆解操作：

首先得把你的DataFrame转换成gensim库要求的TaggedDocuments格式，这里用DataFrame的行索引作为无语义的整数标签就非常合适——毕竟索引本身就是无意义的序号，完全符合行业通用的要求。

假设你的DataFrame结构是这样的：有text列存储文档内容，author列存储作者信息，示例代码如下：

import pandas as pd
from gensim.models.doc2vec import TaggedDocument

# 模拟你的DataFrame（实际替换成你自己的数据即可）
df = pd.DataFrame({
    'text': [
        "这是第一篇文档的内容...",
        "这是第二篇文档的内容...",
        "这是第三篇文档的内容..."
    ],
    'author': ['张三', '李四', '张三']
})

# 转换为TaggedDocuments：标签用行索引（整数），内容用文档分词后的列表
# 注意：Doc2Vec要求输入是分词后的文本，实际场景建议用专业分词工具（比如jieba）替代split()
tagged_corpus = [
    TaggedDocument(words=text.split(), tags=[i])  # 直接用整数作为标签，无需转字符串
    for i, text in enumerate(df['text'])
]

接下来用生成的语料库训练Doc2Vec模型，参数可以根据你的需求调整，这里用常规的通用参数：

from gensim.models.doc2vec import Doc2Vec

# 初始化并训练模型
model = Doc2Vec(
    vector_size=100,  # 向量维度，可根据需求调整
    window=5,         # 上下文窗口大小
    min_count=1,      # 忽略出现次数少于该值的词
    workers=4,        # 并行训练的线程数
    epochs=20         # 训练轮次
)
model.build_vocab(tagged_corpus)
model.train(tagged_corpus, total_examples=model.corpus_count, epochs=model.epochs)

训练完成后，我们可以直接把每篇文档的向量映射回原DataFrame，新增一列存储向量即可：

# 给DataFrame新增'doc_vector'列，存储对应文档的向量
df['doc_vector'] = [model.dv[i] for i in df.index]

这样一来，原DataFrame的每一行就都和它对应的Doc2Vec向量绑定在一起了，后续操作会非常方便。

现在要查询指定作者的所有文档向量，直接用DataFrame的布尔索引就能轻松实现：

# 查询作者为"张三"的所有文档向量
target_author = "张三"
author_vectors = df[df['author'] == target_author]['doc_vector'].tolist()

# 如果需要把向量转换成numpy数组方便后续计算（比如聚类、相似度对比）：
import numpy as np
author_vectors_np = np.array(author_vectors)

author_vectors里就存储了该作者对应的所有文档向量，你可以直接拿来做后续的各种分析操作。

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