因此，在我的数据框中，我有一个“演员”列，其中包含多个演员的“姓氏姓氏”。
例如：“丹尼斯·克里斯托弗，丹尼斯·奎德，丹尼尔·斯特恩”作为“类别”类型
当我使用CountVectorizer().fit_transform(df['Actors'])时，会将上面的组稀疏为6个单词。我希望该函数不考虑名称之间的''（空格），而仅考虑''，以便在前面的示例中它将稀疏为3个单词。
vectorizer = CountVectorizer()
Actors_f = vectorizer.fit_transform(df.loc[df['Actors'].notna(), 'Actors'])
有办法吗？
与此问题类似：How to treat number with decimals or with commas as one word in countVectorizer，您必须更改用于标记输入的正则表达式。
作为documentation says，默认正则表达式为：
token_pattern='(?u)\b\w\w+\b'
哪个匹配：
[(/u)-Unicode字符
[\b-单词边界（例如空格）
[\w-一个字
\w+-直至...的相应词
[\b-另一个单词边界（例如字符串的结尾）]
您需要的是这个：
token_pattern='(?u)[a-zA-Z][a-z ]+'
尤其是，令牌中包含空格字符，使捕获名称+姓氏成为一个令牌。
检查the regular expression documentation正则表达式的含义。
我设法做到了
bigram_vectorizer = CountVectorizer(ngram_range=(2, 2), min_df=1)
bigram_vectorizer.fit_transform(df['Actors'])