将令牌传递给CountVectorizer

Question

我有一个文本分类问题，其中有两种类型的特性：

• N-克特征(由CountVectorizer提取)
• 其他文本特征(例如，某个给定词汇中的一个单词)。这些特性不同于n克，因为它们应该是从文本中提取的任何n克的一部分。

这两种类型的特征都是从文本的标记中提取的。我只想运行一次令牌化，然后将这些令牌传递给CountVectorizer和其他存在特性提取器。因此，我想将一个令牌列表传递给CountVectorizer，但它只接受一个字符串作为表示到某个示例。有办法传递一个令牌数组吗？

Answer 1

总结@ this 126350和@miroli的答案和这个链接

from sklearn.feature_extraction.text import CountVectorizer

def dummy(doc):
    return doc

cv = CountVectorizer(
        tokenizer=dummy,
        preprocessor=dummy,
    )  

docs = [
    ['hello', 'world', '.'],
    ['hello', 'world'],
    ['again', 'hello', 'world']
]

cv.fit(docs)
cv.get_feature_names()
# ['.', 'again', 'hello', 'world']

要记住的一件事是，在调用transform()函数之前，将新的令牌化文档封装到一个列表中，这样就可以将其作为单个文档来处理，而不是将每个令牌解释为文档：

new_doc = ['again', 'hello', 'world', '.']
v_1 = cv.transform(new_doc)
v_2 = cv.transform([new_doc])

v_1.shape
# (4, 4)

v_2.shape
# (1, 4)

Answer 2

通常，您可以将自定义tokenizer参数传递给CountVectorizer。令牌程序应该是一个函数，它接受一个字符串并返回其令牌的数组。但是，如果您已经在数组中拥有了令牌，那么您可以使用一些任意的键制作一个令牌数组的字典，并让您的令牌程序从该字典返回。然后，当您运行CountVectorizer时，只需传递字典键即可。例如,

 # arbitrary token arrays and their keys
 custom_tokens = {"hello world": ["here", "is", "world"],
                  "it is possible": ["yes it", "is"]}

 CV = CountVectorizer(
      # so we can pass it strings
      input='content',
      # turn off preprocessing of strings to avoid corrupting our keys
      lowercase=False,
      preprocessor=lambda x: x,
      # use our token dictionary
      tokenizer=lambda key: custom_tokens[key])

 CV.fit(custom_tokens.keys())

Answer 3

类似于answer 126350的答案，但更简单的是，下面是我所做的。

def do_nothing(tokens):
    return tokens

pipe = Pipeline([
    ('tokenizer', MyCustomTokenizer()),
    ('vect', CountVectorizer(tokenizer=do_nothing,
                             preprocessor=None,
                             lowercase=False))
])

doc_vects = pipe.transform(my_docs)  # pass list of documents as strings