python-2.7 - 使用 sklearn.feature_extraction.text CountVectorizer 时从文件读取文档

Question

我可以使用文档中示例中的代码，其中 fit_transform() 函数的输入是句子列表，即:

corpus = [
   'this is the first document',
   'this is the second second document',
   'and the third one',
   'is this the first document?'
]

X = 矢量化器.fit_transform(语料库)

并获取预期数据。但是，当我尝试用文件列表或文件对象替换语料库时，如文档所示，它可能是:

” 适合(raw_documents，y =无)

Learn a vocabulary dictionary of all tokens in the raw documents.
Parameters :    
raw_documents : iterable
    An iterable which yields either str, unicode or file objects.
Returns :   
self :

"

..所以我认为我对管道的理解缺少一些东西。给定一个我想要 CountVectorize 的文件目录，我该怎么做？如果我尝试提供文件对象列表，如 [open(file,'r')] ，我收到的错误消息是文件对象没有较低的功能。

Answer 1

设置矢量化器的输入 constructor parameter到文件名或文件。它的默认值是content，它假设您已经将文件读入内存。