CountVectorizer：“我”未出现在矢量化文本中答案

【问题标题】：CountVectorizer: "I" not showing up in vectorized textCountVectorizer：“我”未出现在矢量化文本中
【发布时间】：2015-05-22 04:36:07
【问题描述】：

我是 scikit-learn 的新手，目前正在学习朴素贝叶斯（多项式）。现在，我正在对 sklearn.feature_extraction.text 中的文本进行矢量化处理，由于某种原因，当我对某些文本进行矢量化处理时，“I”这个词不会出现在输出的数组中。

代码：

x_train = ['I am a Nigerian hacker', 'I like puppies']

# convert x_train to vectorized text
vectorizer_train = CountVectorizer(min_df=0)
vectorizer_train.fit(x_train)
x_train_array = vectorizer_train.transform(x_train).toarray()

# print vectorized text, feature names
print x_train_array
print vectorizer_train.get_feature_names()

输出：

1 1 0 1 0
0 0 1 0 1
[u'am', u'hacker', u'like', u'nigerian', u'puppies']

为什么“我”似乎没有出现在功能名称中？当我将其更改为“Ia”或其他类似名称时，它会显示出来。

【问题讨论】：

标签： scikit-learn feature-extraction

【解决方案1】：

这是由CountVectorizer 的默认token_pattern 引起的，它会删除单个字符的标记：

>>> vectorizer_train
CountVectorizer(analyzer=u'word', binary=False, charset=None,
        charset_error=None, decode_error=u'strict',
        dtype=<type 'numpy.int64'>, encoding=u'utf-8', input=u'content',
        lowercase=True, max_df=1.0, max_features=None, min_df=0,
        ngram_range=(1, 1), preprocessor=None, stop_words=None,
        strip_accents=None, token_pattern=u'(?u)\\b\\w\\w+\\b',
        tokenizer=None, vocabulary=None)
>>> pattern = re.compile(vectorizer_train.token_pattern, re.UNICODE)
>>> print(pattern.match("I"))
None

要保留“我”，请使用不同的模式，例如

>>> vectorizer_train = CountVectorizer(min_df=0, token_pattern=r"\b\w+\b")
>>> vectorizer_train.fit(x_train)
CountVectorizer(analyzer=u'word', binary=False, charset=None,
        charset_error=None, decode_error=u'strict',
        dtype=<type 'numpy.int64'>, encoding=u'utf-8', input=u'content',
        lowercase=True, max_df=1.0, max_features=None, min_df=0,
        ngram_range=(1, 1), preprocessor=None, stop_words=None,
        strip_accents=None, token_pattern='\\b\\w+\\b', tokenizer=None,
        vocabulary=None)
>>> vectorizer_train.get_feature_names()
[u'a', u'am', u'hacker', u'i', u'like', u'nigerian', u'puppies']

请注意，现在也保留了非信息性单词“a”。

【讨论】：

模式 '(?u)\\b\\w+\\b' 更好，因为它不会用 unicode 字母混淆单词。

【解决方案2】：

这是因为大写字母检测在 CountVectorizer 中默认关闭 lowercase=True

使用

vectorizer_train = CountVectorizer(min_df=0, lowercase=False)

【讨论】：

即使小写=True，它也应该捕获'i'的计数。接受的答案有正确的解决方案。