Python 使用Scikit Learn CountVectorizer，根据文本语料库中出现的情况列出词汇表中的单词

我在

scikit learn

中的一些文档中安装了

计数矢量器。我想在文本语料库中查看所有术语及其对应的频率，以便选择停止词。比如说

'和'123次，'到'100次，'90次。。。等等

有任何内置函数吗？
如果
cv
是您的
CountVectorizer
并且
X
是矢量化语料库，那么

zip(cv.get_feature_names(),
    np.asarray(X.sum(axis=0)).ravel())

返回
计数向量器提取的语料库中每个不同术语的
（术语，频率）
对的列表

（小的
asarray
+
ravel
舞蹈需要解决
scipy.sparse
中的一些怪癖）
没有内置的。我找到了一种更快的方法，基于：

输出

[('world', 2), ('python', 1), ('hello', 1), ('better', 1), ('makes', 1)]

谢谢但它们没有排序，但我设法做到了：对于排序中的tuple（occ_list，key=lambda idx:idx[1]）：打印tuple[0]+'''+str（tuple[1]）。问题是字符åäö没有打印出来。我已将编码设置为utf8。您是否确定get_feature_names（）将根据术语频率矩阵中的索引对术语进行排序？我发现cv.get\u feature\u names（）和cv.vocability\u.keys（）的顺序不同。@user1506145:
dict.keys
不保证任何顺序；这正是
get\u feature\u names
存在的原因。很抱歉，我要详细介绍一下这个主题，但是您如何从一个简单的字符串中创建一个向量化语料库，
X
，例如“这是我们将要制作的示例。”
[('world', 2), ('python', 1), ('hello', 1), ('better', 1), ('makes', 1)]