我使用Scikit的CountVectorizer学习计算已经标记化的泰语单词的出现，然后尝试在Python 3中对文本进行矢量化
代码：
#-*-coding: utf-8 -*-
w_vector = ["การ", "ซ้อม"]
v = CountVectorizer(vocabulary=w_vector, token_pattern="(?u)\\b\\w*\\b", lowercase=False)
print(v.fit_transform(["การ ซ้อม"]).toarray())
输出：
[[1 0]]
实际上应该是[[1 1]]。
在我的观察中（我已经完成了许多使用泰语单词数据集的测试），我认为泰语元音在“ซ้อม”中存在“้”（泰语元音）问题，但对于另一个案例如“การ” （没有元音）它不会对使用CountVectorizer
造成任何问题您是否有任何建议调整CountVectorizer以识别此案例