Question

如何将预处理器传递给TfidfVectorizer？我创建了一个函数，它接受一个字符串并返回一个预处理的字符串然后我将处理器参数设置为该函数＆＃34;预处理器=预处理＆＃34;，但它不起作用。我搜索了很多次，但我没有找到任何例子，好像没有人使用它。

我有另一个问题。它（预处理器参数）是否覆盖了删除停用词和使用stop_words和小写参数可以完成的低级情况？

Answer 1

您只需定义一个函数，该函数将字符串作为输入并返回要预处理的内容。因此，例如，对大写字符串的简单函数将如下所示：

def preProcess(s):
    return s.upper()

完成功能后，只需将其传递到TfidfVectorizer对象即可。例如：

from sklearn.feature_extraction.text import TfidfVectorizer

corpus = [
     'This is the first document.',
     'This is the second second document.',
     'And the third one.',
     'Is this the first document?'
     ]

X = TfidfVectorizer(preprocessor=preProcess)
X.fit(corpus)
X.get_feature_names()

结果：

[u'AND', u'DOCUMENT', u'FIRST', u'IS', u'ONE', u'SECOND', u'THE', u'THIRD', u'THIS']

这会间接回答您的后续问题，因为尽管将小写设置为true，但使用大写的预处理函数会覆盖它。文档中也提到了这一点：

预处理器：callable或None（默认值）覆盖预处理（字符串转换）阶段，同时保留令牌化和 n-gram生成步骤。

如何将预处理器传递给TfidfVectorizer？ - sklearn - python

1 个答案: