我正在尝试从包含大约1000条评论的csv文件中构建我的特征向量。我的一个特征向量是使用scikit-learn的tfidf向量化器生成的tfidf。同时使用计数作为特征向量是否合理，或者是否有更好的特征向量我应该使用？

如果我最终同时使用CountVectorizer和TfidfVectorizer作为我的特征，我应该如何将它们都拟合到我的KMeans模型中（特别是km.fit()部分）？目前我只能将tfidf特征向量拟合到模型中。

这是我的代码：

vectorizer=TfidfVectorizer(min_df=1, max_df=0.9, stop_words='english', decode_error='ignore')vectorized=vectorizer.fit_transform(sentence_list)#count_vectorizer=CountVectorizer(min_df=1, max_df=0.9, stop_words='english', decode_error='ignore')#count_vectorized=count_vectorizerfit_transform(sentence_list)km=KMeans(n_clusters=num_clusters, init='k-means++',n_init=10, verbose=1)km.fit(vectorized)

回答：

你所做的是为你的文本文档找到一种数值表示（特征工程）。在某些问题中，计数效果更好，而在其他问题中，tfidf表示是最佳选择。你应该尝试这两种方法。虽然这两种表示非常相似，因此携带的信息大致相同，但使用完整的特征集（tfidf+计数）可能会获得更高的精度。通过在这一特征空间中搜索，你可能更接近真实模型。

你可以这样水平堆叠你的特征：

import scipy.sparseX = scipy.sparse.hstack([vectorized, count_vectorized])

然后你可以这样做：

model.fit(X, y)  # y 在某些模型中是可选的