为 scikit-learn CountVectorizer 提供带有空格的单词词汇表

Question

参考这个post。我想知道我们如何为 CountVectorizer 模型提供带有空格的单词词汇表，例如distributed systems 还是 machine learning？这是一个例子：

import numpy as np
from itertools import chain

tags = [
  "python, tools",
  "linux, tools, ubuntu",
  "distributed systems, linux, networking, tools",
]

vocabulary = list(map(lambda x: x.split(', '), tags))
vocabulary = list(np.unique(list(chain(*vocabulary))))

我们可以将这个词汇表提供给模型

from sklearn.feature_extraction.text import CountVectorizer
vec = CountVectorizer(vocabulary=vocabulary)
print(vec.fit_transform(tags).toarray())

在这里，我失去了字数distributed systems（第一列）。结果如下：

[[0 0 0 1 1 0]
 [0 1 0 0 1 1]
 [0 1 1 0 1 0]]

我是否必须更改 token_pattern 或其他地方？

Answer 1

我认为基本上您已经预先定义了要分析的词汇表，并且您希望通过拆分 ', ' 来标记标签。

您可以通过以下方式欺骗CountVectorizer：

from sklearn.feature_extraction.text import CountVectorizer
vec = CountVectorizer(vocabulary=vocabulary, tokenizer=lambda x: x.split(', '))
print(vec.fit_transform(tags).toarray())

，给出：

[[0 0 0 1 1 0]
 [0 1 0 0 1 1]
 [1 1 1 0 1 0]]