我正在使用sklearn的TfidfVectorizer分析文本语料库。语料库是一组标记，其中每个标记是单词，冒号（:)和单词目的（名词，动词等）的组合。不幸的是，似乎TfidfVectorizer会对字符串进行预处理，并将组合的令牌分离为单个令牌。
有没有办法停止数据预处理？
下面是一个说明问题的程序：
from sklearn.feature_extraction.text import TfidfVectorizer
vectorizer = TfidfVectorizer()
text =["They:NOUN are:VERB", "plain:NOUN texts:VERB texts:NOUN ampersand:VERB here:NOUN"]
text_tfidf = vectorizer.fit_transform(text)
vocab = vectorizer.vocabulary_
print(vocab)
这是生成的输出（请注意，单词及其目的（名词，动词等）是小写的并分成单独的标记）：
{'they': 6, 'noun': 3, 'are': 1, 'verb': 7, 'plain': 4, 'texts': 5, 'ampersand': 0, 'here': 2}
这是我想要的输出（我将数字值替换为“ 9”），该输出反映了 combined 标记和 not 分隔的标记元素）：
{'they:NOUN': 9, "are:VERB": 9, "plain:NOUN": 9, "texts:VERB": 9, "texts:NOUN": 9, "ampersand:VERB": 9, "here:NOUN": 9}