一个特定的实例是"Queens Stop 'N' Swap"
。经过转换,我只得到了三个特征['Queens', 'Stop', 'SWap']
。'N'
已被忽略。如何捕获'N'
?。所有参数都是我代码中的默认设置。
### Create the vectorizer method
tfidf_vec = TfidfVectorizer()
### Transform the text into tf-iwine vectors
text_tfidf = tfidf_vec.fit_transform(title_text)
您没有将'n'
作为令牌获取,因为它在默认的令牌化器中不被视为令牌:
from sklearn.feature_extraction.text import TfidfVectorizer
texts = ["Queens Stop 'N' Swap",]
tfidf = TfidfVectorizer(token_pattern='(?u)\b\w\w+\b',)
tfidf.fit(texts)
tfidf.vocabulary_
{'queens': 0, 'stop': 1, 'swap': 2}
要捕获1个字母的代币,保留大写,请将其更改为:
tfidf = TfidfVectorizer(token_pattern='(?u)\b\w+\b',lowercase=False)
tfidf.fit(texts)
tfidf.vocabulary_
{'Queens': 1, 'stop': 2, 'N': 0, 'swap': 3}