CountVectorizer 删除只出现一次的特征

Question

我正在使用 sklearn python 包，我无法使用预先创建的字典创建 CountVectorizer，其中 CountVectorizer 不会删除仅出现一次或根本不出现的功能.

这是我的示例代码：

train_count_vect, training_matrix, train_labels = setup_data(train_corpus, query, vocabulary=None)
test_count_vect, test_matrix, test_labels = setup_data(test_corpus, query, vocabulary=train_count_vect.get_feature_names())

print(len(train_count_vect.get_feature_names()))
print(len(test_count_vect.get_feature_names()))

len(train_count_vect.get_feature_names()) 输出 89967 len(test_count_vect.get_feature_names()) 输出9833

在setup_data() 函数内部，我只是在初始化CountVectorizer。对于训练数据，我在没有预设词汇表的情况下对其进行初始化。然后，对于测试数据，我使用从训练数据中检索到的词汇来初始化 CountVectorizer。

如何使词汇表的长度相同？我认为 sklearn 正在删除功能，因为它们在我的测试语料库中只出现一次或根本不出现。我需要有相同的词汇表，否则我的分类器将与我的测试数据点的长度不同。

Answer 1

所以，如果没有实际看到setup_data 的源代码，就不可能说，但我对这里发生的事情有一个相当不错的猜测。 sklearn 遵循fit_transform 格式，表示有两个阶段，具体为fit 和transform。

在CountVectorizer 的示例中，fit 阶段有效地创建了词汇表，transform 步骤将您的输入文本转换为该词汇表空间。

我的猜测是您在两个数据集上调用 fit 而不仅仅是一个，如果您希望结果对齐，您需要在两个数据集上使用相同的“拟合”版本的 CountVectorizer。例如：

model = CountVectorizer()
transformed_train = model.fit_transform(train_corpus)
transformed_test = model.transform(test_corpus)

同样，在您发布 setup_data 函数之前，这只能是一个猜测，但在看到这个之前我猜您正在做类似这样的事情：

model = CountVectorizer()
transformed_train = model.fit_transform(train_corpus)
transformed_test = model.fit_transform(test_corpus)

这将有效地为test_corpus 创建一个新词汇表，不出所料，这两种情况下的词汇表长度不会相同。