我试图获取一个单词的1-gram、2-gram和3-gram后缀，并将它们用作模型中的特征。

例如，

word = "Apple" 1-gram后缀 = 'e' 2-gram后缀 = 'le' 3-gram后缀 = 'ple'

我已经使用了sklearn中的CountVectorizer，并设置了ngram_range=(1,3)，但这会返回所有n-gram。我只需要n-gram后缀。

我该如何做到这一点？

另外，我是NLP的新手，不知道如何将这些n-gram作为我的机器学习模型的特征。我怎样才能将这些“字符串”n-gram特征转换为某种数值表示，以便在我的模型中使用它们？

有人能帮帮我吗？

回答：

您可以定义一个自定义的analyzer来定义如何从输入中获取特征。对于您的案例，使用一个简单的lambda函数来从单词中获取后缀就足够了：

from sklearn.feature_extraction.text import CountVectorizerword = ["Orange","Apple", "I"]n=3vect = CountVectorizer(analyzer=lambda x: (x[-i-1:] for i in range(0,min(n,len(x)))))mat = vect.fit_transform(word).todense()

现在，如果我们从结果的向量化矩阵构建一个数据框：

pd.DataFrame(mat, columns=vect.get_feature_names())   I  e  ge  le  nge  ple0  0  1   1   0    1    01  0  1   0   1    0    12  1  0   0   0    0    0