sklearn TfidfVectorizer：通过不删除其中的禁用词来生成自定义NGrams

Question

以下是我的代码：

sklearn_tfidf = TfidfVectorizer(ngram_range= (3,3),stop_words=stopwordslist, norm='l2',min_df=0, use_idf=True, smooth_idf=False, sublinear_tf=True)
sklearn_representation = sklearn_tfidf.fit_transform(documents)

它通过删除所有的停用词来生成三元组。

我希望它允许那些TRIGRAM在中间有什么禁止词（不是在开始和结束）

是否需要为此编写处理器。需要建议。

Answer 1

是的，您需要提供自己的分析器功能，根据您的要求将文档转换为功能。

据the documentation说：

analyzer：string，{'word'，'char'，'char_wb'}或callable

....
....
If a callable is passed it is used to extract the sequence of 
features out of the raw, unprocessed input.

在那个自定义callable中你需要先处理将句子拆分成不同的部分，删除逗号，大括号，符号等特殊字符，将它们转换为小写，然后将它们转换为n_grams。

默认实现按以下顺序对单个句子起作用：

1. 解码：根据给定编码的句子（默认为'utf-8'）
2. 预处理：将句子转换为小写
3. 标记：从句子中获取单个单词标记（默认正则表达式选择2个或更多字母数字字符的标记）
4. 停止删除单词：从上一步中删除单词标记，这些标记出现在停用词中
5. N_gram创建：在停止删除单词后，剩余的标记将被安排在所需的n_grams中
6. 删除太罕见或太常见的功能：删除频率大于max_df或低于min_df的单词。

如果要将自定义callable传递给TfidfVectorizer中的analyzer param，则需要处理所有这些。

要么

您可以扩展TfidfVectorizer类，仅覆盖最后两个步骤。像这样的东西：

from sklearn.feature_extraction.text import TfidfVectorizer
class NewTfidfVectorizer(TfidfVectorizer):
    def _word_ngrams(self, tokens, stop_words=None):

        # First get tokens without stop words
        tokens = super(TfidfVectorizer, self)._word_ngrams(tokens, None)
        if stop_words is not None:
            new_tokens=[]
            for token in tokens:
                split_words = token.split(' ')

                # Only check the first and last word for stop words
                if split_words[0] not in stop_words and split_words[-1] not in stop_words:
                    new_tokens.append(token)
            return new_tokens

        return tokens

然后，使用它像：

vectorizer = NewTfidfVectorizer(stop_words='english', ngram_range=(3,3))
vectorizer.fit(data)