scikit-learn - 将 token 传递给 CountVectorizer

Question

我有一个文本分类问题，我有两种类型的特征:

n-gram 的特征(由 CountVectorizer 提取)

其他文本特征(例如，来自给定词典的单词的存在)。这些特征与 n-gram 不同，因为它们应该是从文本中提取的任何 n-gram 的一部分。

这两种类型的特征都是从文本的标记中提取的。我只想运行一次标记化，然后将这些标记传递给 CountVectorizer 和其他存在特征提取器。所以，我想将 token 列表传递给 CountVectorizer，但只接受一个字符串作为某些样本的表示。有没有办法传递一组 token ？

Answer 1

总结@user126350 和@miroli 的回答以及这个link :

from sklearn.feature_extraction.text import CountVectorizer

def dummy(doc):
    return doc

cv = CountVectorizer(
        tokenizer=dummy,
        preprocessor=dummy,
    )  

docs = [
    ['hello', 'world', '.'],
    ['hello', 'world'],
    ['again', 'hello', 'world']
]

cv.fit(docs)
cv.get_feature_names()
# ['.', 'again', 'hello', 'world']

要记住的一件事是在调用 transform() 函数之前将新的标记化文档包装到一个列表中，以便将其作为单个文档处理，而不是将每个标记解释为一个文档:

new_doc = ['again', 'hello', 'world', '.']
v_1 = cv.transform(new_doc)
v_2 = cv.transform([new_doc])

v_1.shape
# (4, 4)

v_2.shape
# (1, 4)