为什么 sklearn 中的 CountVectorizer 会忽略代词“我”？
ngram_vectorizer = CountVectorizer(analyzer = "word", ngram_range = (2,2), min_df = 1)
ngram_vectorizer.fit_transform(['HE GAVE IT TO I'])
<1x3 sparse matrix of type '<class 'numpy.int64'>'
ngram_vectorizer.get_feature_names()
['gave it', 'he gave', 'it to']
最佳答案
默认分词器只考虑 2 个字符(或更多)的单词。
您可以通过将适当的 token_pattern 传递给您的 CountVectorizer 来更改此行为。
默认模式是(参见 the signature in the docs):
'token_pattern': u'(?u)\\b\\w\\w+\\b'
您可以通过更改默认值来获得不丢弃单字母单词的 CountVectorizer，例如:
from sklearn.feature_extraction.text import CountVectorizer
ngram_vectorizer = CountVectorizer(analyzer="word", ngram_range=(2,2),
token_pattern=u"(?u)\\b\\w+\\b",min_df=1)
ngram_vectorizer.fit_transform(['HE GAVE IT TO I'])
print(ngram_vectorizer.get_feature_names())
给出:
['gave it', 'he gave', 'it to', 'to i']
关于python - CountVectorizer 忽略 'I'，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/33260505/