CountVectorizer上的词法化不会删除停用词

Question

我正在尝试从Skit-learn向CountVectorizer添加Lematization，如下所示

import nltk
from pattern.es import lemma
from nltk import word_tokenize
from nltk.corpus import stopwords
from sklearn.feature_extraction.text import CountVectorizer
from nltk.stem import WordNetLemmatizer

class LemmaTokenizer(object):
    def __call__(self, text):
        return [lemma(t) for t in word_tokenize(text)]

vectorizer = CountVectorizer(stop_words=stopwords.words('spanish'),tokenizer=LemmaTokenizer())

sentence = ["EVOLUCIÓN de los sucesos y la EXPANSIÓN, ellos juegan y yo les dije lo que hago","hola, qué tal vas?"]

vectorizer.fit_transform(sentence)

这是输出：

[u',', u'?', u'car', u'decir', u'der', u'evoluci\xf3n', u'expansi\xf3n', u'hacer', u'holar', u'ir', u'jugar', u'lar', u'ler', u'sucesos', u'tal', u'yar']

更新

这是出现的停用词，已经过词缀化：

u'lar'，u'ler'，u'der'

它限制所有单词，并且不会删除停用词。那么，有什么想法吗？

Answer 1

那是因为在停止词移除之前完成了词素化。然后，在所提供的停用词集中找不到经过修饰的停用词stopwords.words('spanish')。

有关CountVectorizer的完整工作顺序，请参阅此处的其他答案。它与TfidfVectorizer有关，但顺序相同。在该答案中，步骤3是词形化，而步骤4是停用词删除。

因此，现在要删除停用词，您有两个选择：

1）您对停用词集本身stop_words进行词组化，然后将其传递给CountVectorizer中的param。

my_stop_words = [lemma(t) for t in stopwords.words('spanish')]
vectorizer = CountVectorizer(stop_words=my_stop_words, 
                             tokenizer=LemmaTokenizer())

2）LemmaTokenizer本身包含停用词删除功能。

class LemmaTokenizer(object):
    def __call__(self, text):
        return [lemma(t) for t in word_tokenize(text) if t not in stopwords.words('spanish')]

尝试这些并发表评论（如果不起作用）。