使用 sklearn.feature_extraction.text CountVectorizer 时从文件中读取文档

Question

我能够像文档中的示例一样使用代码，其中 fit_transform（） 函数的输入是一个句子列表，即：

corpus = [
   'this is the first document',
   'this is the second second document',
   'and the third one',
   'is this the first document?'
]

X = vectorizer.fit_transform（语料库）

并获取预期数据。 但是当我尝试用文件列表或文档建议的文件对象替换语料库时，它可以是：

" 适合（raw_documents， y=无）

Learn a vocabulary dictionary of all tokens in the raw documents.
Parameters :    
raw_documents : iterable
    An iterable which yields either str, unicode or file objects.
Returns :   
self :

"

.. 所以我认为我对管道的理解中缺少一些东西。 给定一个我想 CountVectorize 的文件目录，我该怎么做？如果我尝试提供文件对象列表，作为 [open（file，'r'）] 我得到的错误消息是文件对象没有较低的功能。

Answer 1

将矢量化的 input 构造函数参数设置为 filename 或 file 。其默认值为 content ，这假定您已将文件读入内存。