Python 如何在CountVectorizer的词汇表中使用正则表达式？

如何使“文档中的第一个单词是[目标单词]”成为一个特性

考虑以下两句话：

example = ["At the moment, my girlfriend is Jenny. She is working as an artist at the moment.",
       "My girlfriend is Susie. She is working as an accountant at the moment."]

如果我想衡量一段感情的承诺，我希望能够把“此时此刻”这个短语作为一个特征，只有当它在一开始就这样出现的时候

我希望能够在词汇表中使用正则表达式

phrases = ["^at the moment", 'work']
vect = CountVectorizer(vocabulary=phrases, ngram_range=(1, 3), token_pattern=r'\w{1,}')
dtm = vect.fit_transform(example)

但这似乎不起作用

我也尝试过这个，但得到一个“词汇表是空的”错误

CountVectorizer(token_pattern = r"(?u)^currently")

---

正确的方法是什么？我需要自定义矢量器吗？有什么简单的教程可以链接到我吗？这是我的第一个sklearn项目，我已经在谷歌上搜索了几个小时。非常感谢任何帮助

好的，我想我已经找到了一种方法，基于本教程中的get_tweet_length（）函数。。。

我添加了这个函数

def first_words(text):
    matchesList = re.findall('^at the moment', text, re.I)
    if len(matchesList) > 0:
        return 1
    else:
        return 0

并将它们与基本的sklearn_helper

pipelineize_feature（）

函数一起使用，该函数将输出转换为sklearn函数所需的数组格式

vect4 = pipelinize_feature(first_words, active=True)

然后，我可以通过FeatureUnion将其与我的常规计数器向量器一起使用

unionObj = FeatureUnion([
        ('vect1', vect1),
        ('vect2', vect2),
        ('vect4', vect4)
])