如何将预处理器传递给 TfidfVectorizer？ - sklearn - 蟒蛇

如何将预处理器传递给 TfidfVectorizer？ 我创建了一个函数，它接受一个字符串并返回一个预处理的字符串 然后我将处理器参数设置为该函数“preprocessor=preprocess”，但它不起作用。 我找了好多次了，没有找到任何例子，好像没人用过一样。

我有另一个问题。 它（预处理器参数）是否会覆盖使用 stop_words 和小写参数可以完成的删除停用词和降低大小写？

您只需定义一个函数，该函数接受字符串作为输入并返回要预处理的内容。例如，一个处理大写字符串的简单函数如下所示：

def preProcess(s):
    return s.upper()

一旦你完成了你的功能，那么你只需将它传递到你的TfidfVectorizer目的。例如：

from sklearn.feature_extraction.text import TfidfVectorizer

corpus = [
     'This is the first document.',
     'This is the second second document.',
     'And the third one.',
     'Is this the first document?'
     ]

X = TfidfVectorizer(preprocessor=preProcess)
X.fit(corpus)
X.get_feature_names()

结果是：

[u'AND', u'DOCUMENT', u'FIRST', u'IS', u'ONE', u'SECOND', u'THE', u'THIRD', u'THIS']

这间接回答了您的后续问题，因为尽管将小写设置为 true，但大写的预处理函数会覆盖它。文档中也提到了这一点：

预处理器：可调用或无（默认）覆盖预处理 （字符串转换）阶段，同时保留标记化和 n-gram 生成步骤。