我一直在使用scikit-learn中的CountVectorizer类进行工作。

我明白，如果按照下面的方式使用，最终输出将包含特征或标记的计数数组。

这些标记是从一组关键词中提取的，例如：

tags = [  "python, tools",  "linux, tools, ubuntu",  "distributed systems, linux, networking, tools",]

下一步是：

from sklearn.feature_extraction.text import CountVectorizervec = CountVectorizer(tokenizer=tokenize)data = vec.fit_transform(tags).toarray()print data

我们得到的结果是：

[[0 0 0 1 1 0] [0 1 0 0 1 1] [1 1 1 0 1 0]]

这很好，但我的情况略有不同。

我想以相同的方式提取特征，但我不想让data中的行与提取特征的文档相同。

换句话说，如何统计另一组文档的计数，例如：

list_of_new_documents = [  ["python, chicken"],  ["linux, cow, ubuntu"],  ["machine learning, bird, fish, pig"]]

并得到：

[[0 0 0 1 0 0] [0 1 0 0 0 1] [0 0 0 0 0 0]]

我阅读了CountVectorizer类的文档，并发现了vocabulary参数，它是术语到特征索引的映射。然而，我似乎无法利用这个参数来解决我的问题。

任何建议都将不胜感激。
PS: 以上示例的所有功劳归于Matthias Friedrich的博客。

回答：

你是对的，vocabulary正是你需要的。它是这样工作的：

>>> cv = sklearn.feature_extraction.text.CountVectorizer(vocabulary=['hot', 'cold', 'old'])>>> cv.fit_transform(['pease porridge hot', 'pease porridge cold', 'pease porridge in the pot', 'nine days old']).toarray()array([[1, 0, 0],       [0, 1, 0],       [0, 0, 0],       [0, 0, 1]], dtype=int64)

所以你传递一个字典，其中包含你想要的特征作为键。

如果你在一组文档上使用了CountVectorizer，然后你想将这些文档的特征集用于一组新的文档，可以使用原始CountVectorizer的vocabulary_属性，并将其传递给新的CountVectorizer。所以在你的例子中，你可以这样做：

newVec = CountVectorizer(vocabulary=vec.vocabulary_)

来创建一个使用第一个CountVectorizer词汇表的新标记器。