sklearn CountVectorizer 返回全零 - 字符串转换问题？

Question

我正在尝试将 sklearn 的 CountVectorizer 与给定的词汇一起使用。 我的词汇是：

['humanitarian crisis', 'vacations for the anti-cruise crowd', 'school textbook', "b'cruise vacations for the anti-cruise", 'budget deal', "b'public school", 'u.n. announces', 'wrong petrol', 'vacations for the anti-cruise', "b'cruise vacations for the anti-cruise crowd"]

矢量化的输入来自熊猫数据帧。 我从带有pd.read_csv和encoding='utf8'的 csv 中读取了这个：

29371            b'9 quirky and brilliant paris boutiques'
20525    b'public school textbook filled with muslim bi...
2871     b'congress focuses on averting shutdown, but t...
29902    b'yarmouk siege: u.n. announces trip to syria ...
45596    b'fracking protesters arrested for gluing them...
6266         b'cruise vacations for the anti-cruise crowd'

在调用CountVectorizer(vocabulary=vocabulary).fit_transform() ，我得到一个全零矩阵：

(<6x10 sparse matrix of type '<type 'numpy.int64'>'
    with 0 stored elements in Compressed Sparse Row format>, <class 'scipy.sparse.csr.csr_matrix'>)

这是因为字符串类型的问题，还是我如何调用 CountVectorizer 的问题？ 我不确定如何转换字符串类型； 我已经尝试了多种不同的调用来在 python2.7 和 pandas 中进行encode和decode 。 任何建议，将不胜感激。

Answer 1

调用 CountVectorizer 时使用“ngram_range = (min_word_count, max_word_count)”。