本文旨在解决 gensim 库中 word2vec 模型更新后，进行 pca 降维时词向量提取方法的兼容性问题。针对旧版代码 model[model.wv.vocab] 的用法，我们详细介绍了其在 gensim 新版本中应如何替换为 model.wv.vectors，以确保正确获取所有词向量。此外，文章还提供了关于 min_count 和 vector_size 参数设置的最佳实践建议，帮助用户优化模型性能和资源利用。
理解 Gensim Word2Vec 词向量提取的演变
在旧版本的 gensim 库中，从 Word2Vec 模型中提取所有词向量以进行诸如 PCA 降维等操作，通常会使用类似 X = model[model.wv.vocab] 的语法。这里的 model.wv.vocab 是一个字典状对象，包含了模型中所有词汇及其对应的 Vocab 对象，而 model 对象本身支持通过词汇直接索引获取其向量。然而，随着 gensim 库的不断迭代更新，其内部结构发生了变化，特别是 Word2Vec 模型的 KeyedVectors 部分。
在新版本的 gensim 中，model.wv.vocab 已被 model.wv.key_to_index 取代。model.wv.key_to_index 仍然是一个字典，但它将词汇映射到其在内部词向量数组中的索引，而非直接提供词向量本身或可用于索引的 Vocab 对象。因此，直接将 model.wv.key_to_index 传递给期望二维数值数组（如 scikit-learn 的 PCA）的函数会导致类型错误，因为 PCA 期望的是一个形状为 (n_samples, n_features) 的数组，而非字典。
以下是旧版代码的典型示例，其中包含需要更新的部分：
from gensim.models import Word2Vec
from sklearn.decomposition import PCA
import pandas as pd
import numpy as np
# 示例语料库
corpus = [
["the", "quick", "brown", "fox", "jumps", "over", "the", "lazy", "dog"],
["the", "dog", "barks", "at", "the", "cat"],
["a", "cat", "chases", "a", "mouse"],
["fox", "cat", "dog", "mouse", "barks", "jumps", "chases", "lazy", "quick", "brown"]
]
# 初始化并训练Word2Vec模型
model = Word2Vec(corpus, min_count=1, vector_size=5)
# 旧版代码中提取词向量的方式 (在新版gensim中会导致错误)
# X = model[model.wv.vocab]
# 尝试使用 model.wv.key_to_index (会出错，因为它是一个字典，不是向量数组)
# X = model.wv.key_to_index
# pca = PCA(n_components=2)
# result = pca.fit_transform(X) # 示例错误: TypeError: A sparse matrix was passed, but dense data is required.上述代码中的 model.wv.key_to_index 仅仅提供了词汇到其内部索引的映射，并非词向量本身，因此不能直接用于 PCA 降维。
新版 Gensim 的解决方案：使用 model.wv.vectors
为了在新版 gensim 中正确地获取所有词向量，最直接且推荐的方法是使用 model.wv.vectors 属性。这是一个 NumPy 数组，其中包含了模型中所有词汇的向量，其形状为 (词汇量, 向量维度)。这正是 scikit-learn 等库中 PCA 函数所期望的输入格式。
下面是更新后的代码示例：
from gensim.models import Word2Vec
from sklearn.decomposition import PCA
import pandas as pd
import numpy as np
# 示例语料库 (与上文相同)
corpus = [
["the", "quick", "brown", "fox", "jumps", "over", "the", "lazy", "dog"],
["the", "dog", "barks", "at", "the", "cat"],
["a", "cat", "chases", "a", "mouse"],
["fox", "cat", "dog", "mouse", "barks", "jumps", "chases", "lazy", "quick", "brown"]
]
# 初始化并训练Word2Vec模型
# 注意：min_count和vector_size的设置在实际应用中应遵循最佳实践 (详见下文)
model = Word2Vec(corpus, min_count=1, vector_size=5)
# 正确地获取所有词向量，用于PCA
X = model.wv.vectors
# 打印X的形状以验证
print(f"提取的词向量形状: {X.shape}")
# 预期输出示例: 提取的词向量形状: (12, 5) (其中12是词汇量，5是向量维度)
# 应用PCA降维
pca = PCA(n_components=2)
result = pca.fit_transform(X)
# 将PCA结果转换为DataFrame
pca_df = pd.DataFrame(result, columns=['x', 'y'])
print("\nPCA 降维结果 DataFrame (前5行):")
print(pca_df.head())
# 如果需要获取对应词汇，可以使用 model.wv.index_to_key
# 词汇的顺序与 model.wv.vectors 中的向量顺序一致
words = model.wv.index_to_key
print(f"\n模型中的词汇 (前5个): {words[:5]}")提取特定词汇或词向量子集
如果您的任务不需要所有词向量，而是需要特定词汇的向量子集，或者仅仅是模型中前 N 个最常用词的向量，您可以利用 model.wv.vectors 的 NumPy 数组特性进行
