如何在将训练语料库传递给 sklearn 中的 TfidfVectorizer 之前应用自定义词干分析器？

Question

这是我的代码，我有一个句子，我想在将它传递给 TfidfVectorizer 以最终获得句子的 tf-idf 表示之前对其进行标记化和词干化：

from sklearn.feature_extraction.text import TfidfVectorizer
import nltk 
from nltk.stem.snowball import SnowballStemmer

stemmer_ita = SnowballStemmer("italian")

def tokenizer_stemmer_ita(text):
    return [stemmer_ita.stem(word) for word in text.split()]

def sentence_tokenizer_stemmer(text):
    return " ".join([stemmer_ita.stem(word) for word in text.split()])

X_train = ['il libro è sul tavolo']

X_train = [sentence_tokenizer_stemmer(text) for text in X_train]

tfidf = TfidfVectorizer(preprocessor=None, tokenizer=None, use_idf=True, stop_words=None, ngram_range=(1,2))
X_train = tfidf.fit_transform(X_train)

# let's see the features
print (tfidf.get_feature_names())

我得到输出：

['il', 'il libr', 'libr', 'libr sul', 'sul', 'sul tavol', 'tavol']

如果我更改参数

tokenizer=None

至：

tokenizer=tokenizer_stemmer_ita

我评论这行：

X_train = [sentence_tokenizer_stemmer(text) for text in X_train]

我希望得到相同的结果，但结果不同：

['il', 'il libr', 'libr', 'libr è', 'sul', 'sul tavol', 'tavol', 'è', 'è sul']

为什么？我是否正确实施了外部词干分析器？看起来，至少，停用词（“è”）在第一个运行中被删除，即使 stop_words=None.

[编辑] 正如 Vivek 所建议的那样，问题似乎是默认的令牌模式，当 tokenizer = None 时无论如何都会应用它。因此，如果在 tokenizer_stemmer_ita:

的开头添加这两行

token_pattern = re.compile(u'(?u)\b\w\w+\b')
text = " ".join( token_pattern.findall(text) )

我应该得到正确的行为，实际上我在上面的简单示例中得到了正确的行为，但对于另一个示例：

X_train = ['0.05%.\n\nVedete?']

我不知道，这两个输出是不同的：

['05', '05 ved', 'ved']

和

['05', '05 vedete', 'vedete']

为什么？在这种情况下，问号似乎是问题所在，没有它输出是相同的。

[编辑2] 看来我必须先阻止然后应用正则表达式，在这种情况下两个输出是相同的。

Answer 1

那是因为 TfidfVectorizer 中使用了默认分词器模式 token_pattern：

token_pattern : string

Regular expression denoting what constitutes a “token”, only used if analyzer == 'word'. The default regexp selects tokens of 2 or more alphanumeric characters (punctuation is completely ignored and always treated as a token separator).

所以字符è没有被选中。

import re
token_pattern = re.compile(u'(?u)\b\w\w+\b')
print token_pattern.findall('il libro è sul tavolo')

# Output
# ['il', 'libro', 'sul', 'tavolo']

当分词器为 None 时，将使用此默认值 token_pattern，如您所见。

如何在将训练语料库传递给 sklearn 中的 TfidfVectorizer 之前应用自定义词干分析器？

How to apply a custom stemmer before passing the training corpus to TfidfVectorizer in sklearn?

python

scikit-learn

stemming

document-classification

tfidfvectorizer