所以我有以下标记化的列表：
tokenized_list = [['ALL', 'MY', 'CATS', 'IN', 'A', 'ROW'], ['WHEN', 'MY',
'CAT', 'SITS', 'DOWN', ',', 'SHE', 'LOOKS', 'LIKE', 'A',
'FURBY', 'TOY', '!'], ['THE', CAT', 'FROM', 'OUTER',
'SPACE'], ['SUNSHINE', 'LOVES', 'TO', 'SIT',
'LIKE', 'THIS', 'FOR', 'SOME', 'REASON', '.']]
当我尝试使用 CountVectorizer() 或 TfIdfVectorizer() 对其进行矢量化时
from sklearn.feature_extraction.text import CountVectorizer
vectorizer = CountVectorizer()
print(vectorizer.fit_transform(tokenized_list).todense())
print(vectorizer.vocabulary_)
我收到以下错误：
AttributeError: 'list' object has no attribute 'lower'
如果我在vectorizer.fit_transform()函数中放置一个简单的列表，它就可以正常工作。
我该如何消除这个错误？
所以我使用 Vader Sentiment Analyzer 来分析某些客户的反馈。在评估输出时，我看到情绪分析器给了我混合的结果。
For eg: "Again, human interaction needs to have resolutions. Your reps
cannot BLAME the system and shrug off being able to help. Let
alone blame the system and not know WHY the system makes
indiscriminate decisions."
Output: compound: 0.2212 neg: 0.111 neu: 0.756, pos: 0.133
在这种情况下，O/P 应该是负数，但它给出了一个更接近中性到正数的复合分数，这是没有意义的。
我在 AppData\Roaming\nltk_data\sentiment\vader_lexicon.txt 中看到了这个文件，其中包含大多数英语单词的情绪分数。
我只是想知道这些单个词是如何根据 pos neg neu 和复合词给出情感分数的？是否有任何算法/过程来评价它们？
最后，我正在考虑构建自己的情感分析词典以获得更好的结果，但为此我需要知道每个单词是如何分配情感分数的？