提供带有空格的单词的词汇表来scikit-learn CountVectorizer

Question

参考此post。我想知道我们如何为CountVectorizer模型提供空格词汇，例如distributed systems或machine learning？这是一个例子：

import numpy as np
from itertools import chain

tags = [
  "python, tools",
  "linux, tools, ubuntu",
  "distributed systems, linux, networking, tools",
]

vocabulary = list(map(lambda x: x.split(', '), tags))
vocabulary = list(np.unique(list(chain(*vocabulary))))

我们可以将这个词汇表提供给模型

from sklearn.feature_extraction.text import CountVectorizer
vec = CountVectorizer(vocabulary=vocabulary)
print(vec.fit_transform(tags).toarray())

在这里，我丢失了单词distributed systems（第一列）的计数。结果如下：

[[0 0 0 1 1 0]
 [0 1 0 0 1 1]
 [0 1 1 0 1 0]]

我是否需要更改token_pattern或其他地方？

Answer 1

我认为您已经预先定义了要分析的词汇表，并希望通过拆分＆＃39;来标记您的标记。

您可以通过以下方式欺骗CountVectorizer：

from sklearn.feature_extraction.text import CountVectorizer
vec = CountVectorizer(vocabulary=vocabulary, tokenizer=lambda x: x.split(', '))
print(vec.fit_transform(tags).toarray())

，它给出了：

[[0 0 0 1 1 0]
 [0 1 0 0 1 1]
 [1 1 1 0 1 0]]