假设我有一些文本句子，我想使用kmeans进行聚类。

sentences = [    "fix grammatical or spelling errors",    "clarify meaning without changing it",    "correct minor mistakes",    "add related resources or links",    "always respect the original author"]from sklearn.feature_extraction.text import CountVectorizerfrom sklearn.cluster import KMeansvectorizer = CountVectorizer(min_df=1)X = vectorizer.fit_transform(sentences)num_clusters = 2km = KMeans(n_clusters=num_clusters, init='random', n_init=1,verbose=1)km.fit(X)

现在我可以预测一个新文本会归入哪个类别，

new_text = "hello world"vec = vectorizer.transform([new_text])print km.predict(vec)[0]

然而，假设我应用PCA将10,000个特征减少到50个。

from sklearn.decomposition import RandomizedPCApca = RandomizedPCA(n_components=50,whiten=True)X2 = pca.fit_transform(X)km.fit(X2)

我不能再用同样的方法来预测新文本的聚类，因为vectorizer的结果不再相关

new_text = "hello world"vec = vectorizer.transform([new_text]) ##print km.predict(vec)[0]ValueError: Incorrect number of features. Got 10000 features, expected 50

那么，我如何将新文本转换到低维特征空间中呢？

回答：

你需要在将新数据输入模型之前，对其使用pca.transform。这将使用你在原始数据上运行pca.fit_transform时拟合的相同PCA模型进行降维。然后，你可以使用你拟合的模型对这些降维后的数据进行预测。

基本上，可以将其视为拟合一个大型模型，该模型由堆叠三个较小的模型组成。首先，你有一个CountVectorizer模型来确定如何处理数据。然后，你运行一个RandomizedPCA模型来进行降维。最后，你运行一个KMeans模型进行聚类。当你拟合模型时，你会沿着堆栈向下拟合每一个模型。而当你想要进行预测时，你也必须沿着堆栈向下应用每一个模型。

# 初始化模型vectorizer = CountVectorizer(min_df=1)pca = RandomizedPCA(n_components=50, whiten=True)km = KMeans(n_clusters=2, init='random', n_init=1, verbose=1)# 拟合模型X = vectorizer.fit_transform(sentences)X2 = pca.fit_transform(X)km.fit(X2)# 使用模型进行预测X_new = vectorizer.transform(["hello world"])X2_new = pca.transform(X_new)km.predict(X2_new)