Imm*_*alz 5 python scikit-learn
我正在尝试从给定文档中提取一些特征,给定一组预定义的特征.
from sklearn.feature_extraction.text import CountVectorizer
features = ['a', 'b', 'c']
doc = ['a', 'c']
vectoriser = CountVectorizer()
vectoriser.vocabulary = features
vectoriser.fit_transform(doc)
Run Code Online (Sandbox Code Playgroud)
但是输出是一个2x3数组,用零填充而不是:
desired_output = [[1, 0, 0]
[0, 0, 1]]
Run Code Online (Sandbox Code Playgroud)
任何帮助将非常感激
这是因为 CountVectorizer 中的默认标记模式将删除任何只有一个字符长的单词。您可以更改默认令牌模式来解决此问题:
from sklearn.feature_extraction.text import CountVectorizer
features = ['a', 'b', 'c']
doc = ['a', 'c']
vectoriser = CountVectorizer(vocabulary=features, token_pattern=r"\b\w+\b")
vectoriser.fit_transform(doc)
Run Code Online (Sandbox Code Playgroud)
| 归档时间: |
|
| 查看次数: |
539 次 |
| 最近记录: |