countVectorizer中的特殊字符Scikit-learn

Question

考虑这个可运行的例子：

#coding: utf-8
from sklearn.feature_extraction.text import CountVectorizer

vectorizer = CountVectorizer()
corpus = ['öåa hej ho' 'åter aba na', 'äs äp äl']
x = vectorizer.fit_transform(corpus)
l =  vectorizer.get_feature_names()

for u in l:
        print u

输出

aba
hej
ho
na
ter

为什么要删除åäö？请注意，矢量化程序strip_accents = None是默认值。如果你能帮助我，我将非常感激。

Answer 1

这是一种减少维度的有意方式，同时使矢量化程序能够容忍输入，而作者并不总是使用强调字符。

如果您要停用该功能，请按照documentation of this class中的说明将strip_accents=None传递给CountVectorizer。

>>> from sklearn.feature_extraction.text import CountVectorizer
>>> CountVectorizer(strip_accents='ascii').build_analyzer()(u'\xe9t\xe9')
[u'ete']
>>> CountVectorizer(strip_accents=False).build_analyzer()(u'\xe9t\xe9')
[u'\xe9t\xe9']
>>> CountVectorizer(strip_accents=None).build_analyzer()(u'\xe9t\xe9')
[u'\xe9t\xe9']