countVectorizer Scikit-learn 中的特殊字符

Question

考虑这个可运行的例子：

#coding: utf-8
from sklearn.feature_extraction.text import CountVectorizer

vectorizer = CountVectorizer()
corpus = ['öåa hej ho' 'åter aba na', 'äs äp äl']
x = vectorizer.fit_transform(corpus)
l =  vectorizer.get_feature_names()

for u in l:
        print u

输出将是

aba
hej
ho
na
ter

为什么要删除 åäö？请注意，矢量化器 strip_accents=None 是默认设置。如果您能帮我解决这个问题，我将不胜感激。

Answer 1

这是一种有意降低维度的方法，同时使矢量化器能够容忍作者并不总是与使用重音字符一致的输入。

如果您想禁用该功能，只需将strip_accents=None 传递给CountVectorizer，如documentation of this class 中所述。

>>> from sklearn.feature_extraction.text import CountVectorizer
>>> CountVectorizer(strip_accents='ascii').build_analyzer()(u'\xe9t\xe9')
[u'ete']
>>> CountVectorizer(strip_accents=False).build_analyzer()(u'\xe9t\xe9')
[u'\xe9t\xe9']
>>> CountVectorizer(strip_accents=None).build_analyzer()(u'\xe9t\xe9')
[u'\xe9t\xe9']