我正在尝试使用Python 2.7和scikit-learn创建一个简单的垃圾邮件过滤器。因此，我有一组用于训练的信件和一组用于测试的信件。首先，我想对训练集进行向量化，并使用它来拟合逻辑回归，然后对测试集中的每封信件进行向量化，并分别将它们放入分类器中。

import codecsimport jsonimport osfrom sklearn.feature_extraction.text import CountVectorizerfrom sklearn import linear_modeldef classify(mail, vectorizer, logreg):    vect_mail = vectorizer.transform(mail)    res = logreg.predict(vect_mail)    return resdef make_output(test_dir, vectorizer, logreg):   with codecs.open('test.txt', 'w', 'utf-8') as out:       for f in os.listdir(test_dir):           mail = json.load(open(os.path.join(test_dir, f)), 'utf-8')           result = classify(mail['body'].encode('ascii','ignore'), vectorizer, logreg)           out.write(u'%s\t%s\n' % (f, result))def read_train(train_dir):    for f in os.listdir(train_dir):        with open(os.path.join(train_dir, f), 'r') as fo:            mail = json.load(fo, 'utf-8')            yield mailif __name__ == '__main__':    train_mails = list(read_train('spam_data/train'))    corpus = list()    is_spam = list()    for mail in train_mails:        corpus.append(mail['body'].encode('ascii','ignore'))        is_spam.append(mail['is_spam'])    vectorizer = CountVectorizer()    cnt_vect = vectorizer.fit_transform(corpus)    logreg = linear_model.LogisticRegression()    logreg.fit(cnt_vect, is_spam)    make_output('spam_data/test', vectorizer, logreg)

但是，res = logreg.predict(vect_mail)返回的是一个列表，而不是一个结果。因此，我猜测，预测器将vect_mail解释为一个单词的文档样本，而不是一个包含多个单词的文档。我应该如何重写这段代码？

回答：

根据scikit-learn的文档，CountVectorizer.transform接受的不是单个文档进行转换，而是一个可迭代的文档集合。由于Python中的字符串是其字符的可迭代对象，transform会生成与字符串中字符数量一样多的“文档”。

为了解决这个问题，请将单元素列表传递给transform：

vect_mail = vectorizer.transform([mail])