假设我有一个字符串数组：
['Laptop Apple Macbook Air A1465, Core i7, 8Gb, 256Gb SSD, 15"Retina, MacOS' ... 'another device description']我想从这些描述中提取如下的特征：
item=Laptopbrand=Applemodel=Macbook Air A1465cpu=Core i7...我应该先准备好预定义的已知特征吗？例如：
brands = ['apple', 'dell', 'hp', 'asus', 'acer', 'lenovo']cpu = ['core i3', 'core i5', 'core i7', 'intel pdc', 'core m', 'intel pentium', 'intel core duo']我不确定是否需要在这里使用 CountVectorizer 和 TfidfVectorizer，使用 DictVictorizer 似乎更合适，但如何从整个字符串中提取值作为字典的键呢？
这是否可以使用 scikit-learn 的特征提取功能实现？还是我应该自己编写 .fit() 和 .transform() 方法？
更新：@人名，请审阅我是否正确理解了你的意思：
data = ['Laptop Apple Macbook..', 'Laptop Dell Latitude...'...]for d in data: for brand in brands: if brand in d: # ok brand is foundfor model in models: if model in d: # ok model is found所以要为每个特征创建 N 个循环？这可能有效，但不确定是否正确和灵活。
回答：
是的，类似这样。
抱歉，可能你需要修正下面的代码。
import redata = ['Laptop Apple Macbook..', 'Laptop Dell Latitude...'...]features = { 'brand': [r'apple', r'dell', r'hp', r'asus', r'acer', r'lenovo'], 'cpu': [r'core\s+i3', r'core\s+i5', r'core\s+i7', r'intel\s+pdc', r'core\s+m', r'intel\s+pentium', r'intel\s+core\s+duo'] # 和其他特征}cat_data = [] # 你需要转换成数字的类别not_found_columns = []for line in data: line_cats = {} for col, features in features.iteritems(): for i, feature in enumerate(features): found = False if re.findall(feature, line.lower(), flags=re.UNICODE) != []: line_cats[col] = i + 1 # 找到列中的数字类别。例如，dell 是 2，acer 是 5。 found = True break # 当前类别由第一次出现决定 # 循环结束但未找到特征。将列值设为默认不存在的特征 if not found: line_cats[col] = 0 not_found_columns.append((col, line)) cat_data.append(line_cats)# 现在我们有了 cat_data，其中每一列对应于一个类别（索引+1），如果找到了特征，否则为 0。现在你有列名和未找到的行（not_found_columns）。查看它们，可能你忘记了一些特征。
我们也可以将字符串（而不是数字）写为类别，然后使用 DV。结果这两种方法是等价的。
