考虑以下可运行的示例：

#coding: utf-8from sklearn.feature_extraction.text import CountVectorizervectorizer = CountVectorizer()corpus = ['öåa hej ho' 'åter aba na', 'äs äp äl']x = vectorizer.fit_transform(corpus)l =  vectorizer.get_feature_names()for u in l:        print u

输出将是

abahejhonater

为什么åäö被移除了？请注意，vectorizer的默认设置是strip_accents=None。如果您能帮助我解决这个问题，我将不胜感激。

回答：

这是为了在处理作者对重音字符使用不一致的输入时，降低维度的一种有意设计，使得vectorizer更加容忍这种情况。

如果您想禁用这一功能，只需在CountVectorizer中传递strip_accents=None，如该类的文档中所解释的那样。

>>> from sklearn.feature_extraction.text import CountVectorizer>>> CountVectorizer(strip_accents='ascii').build_analyzer()(u'\xe9t\xe9')[u'ete']>>> CountVectorizer(strip_accents=False).build_analyzer()(u'\xe9t\xe9')[u'\xe9t\xe9']>>> CountVectorizer(strip_accents=None).build_analyzer()(u'\xe9t\xe9')[u'\xe9t\xe9']