所有代码均使用Python编写。我有一个名为”corpus“的Python列表，其中包含总共2000条评论（包括正面和负面评论）。我的代码中的主要/重要部分是：
from sklearn.feature_extraction.text import CountVectorizervectorizer = CountVectorizer(max_features=2000, max_df=0.6, min_df=3, stop_words=stopwords.words("english"))X = vectorizer.fit_transform(corpus)from sklearn.feature_extraction.text import TfidfTransformer transformer = TfidfTransformer()X = transformer.fit_transform(X)from sklearn.cross_validation import train_test_splitX_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.20, random_state=0)from sklearn.linear_model import LogisticRegressionlogistic_reg = LogisticRegression()logistic_reg.fit(X_train, y_train)现在我想预测一个句子是正面还是负面（’1’或’0’）。该句子是
sample = ["you are a nice person and have a good life"]我该如何对上述进行预测？（我知道CountVectorizer和TdfidfTransformer的作用，但TdfidfVectorizer让我有些困惑）
回答：
你通过CountVectorizer和TfidfTranformer实现的功能，可以单独通过TfidfVecorizer来实现。
回答你的问题：
sample = ["you are a nice person and have a good life"]这是你想要预测的样本数据。这里我对vectorizer（CountVectorizer）使用了transform方法
Count_sample = vectorizer.transform(sample)在转换CountVectorizer之后，我们需要在transformer（TfidfTranformer）上使用transform方法
Tfidf_sample = transformer.transform(Count_sample)完成所有数据转换后，使用LogisticRegression的predict函数
predicted = logistic_reg.predict(Tfidf_sample)