Sklearn ColumnTransformer处理完成后如何获取词汇表（vocabulary_）

我最近在用Scikit-learn的ColumnTransformer处理特征，里面嵌套了好几个TfidfVectorizer来处理文本特征，但直接访问vocabulary_属性时遇到了一堆错误，折腾了好半天，下面是我的场景和解决方法：

我的代码与问题 #

首先是我的特征处理代码：

features = df[["content", "numeric1", "numeric2"]]
results = df["label"]
features = features.to_numpy()
results = results.to_numpy()

# 创建转换器集合
transformerVectoriser = ColumnTransformer(transformers=[
    ('vector_char', TfidfVectorizer(analyzer='char', ngram_range=(2, 6), max_features = 2500, lowercase = True), 0),
    ('vector_word_1', TfidfVectorizer(analyzer='word', ngram_range=(1, 1), max_features = 10000, lowercase = True), 0),
    ('vector_word_2', TfidfVectorizer(analyzer='word', ngram_range=(2, 2), max_features = 4500, lowercase = True), 0),
    ('vector_word_3', TfidfVectorizer(analyzer='word', ngram_range=(3, 3), max_features = 750, lowercase = True), 0)
], remainder='passthrough' )
print(transformerVectoriser.vocabulary_)

执行后直接报错：AttributeError: 'ColumnTransformer' object has no attribute 'vocabulary_'

我还试了几种方法，都没成功：

• 先执行features = transformerVectoriser.fit_transform(features)，再打印features.vocabulary_，报错：AttributeError: vocabulary_ not found
• 执行transformerVectoriser.fit(features)后，打印transformerVectoriser.transformers_[0].vocabulary_，报错：AttributeError: 'tuple' object has no attribute 'vocabulary_'
• 执行transformed_features = transformerVectoriser.fit_transform(features)后，打印transformed_features.transformers_[0].vocabulary_，报错：AttributeError: transformers_ not found

正确的解决方法 #

其实问题很简单：ColumnTransformer本身是多个转换器的容器，它自己并没有vocabulary_属性，这个属性是属于每个单独的TfidfVectorizer实例的。我们需要先拿到对应的实例，再访问其vocabulary_。

方法1：用named_transformers_（推荐） #

ColumnTransformer拟合数据后会生成named_transformers_属性，这是一个字典，键就是你定义transformers时给每个转换器起的名字（比如vector_char），值就是对应的TfidfVectorizer实例。

代码示例：

# 先拟合数据，必须先执行fit或fit_transform，vocabulary_才会生成
transformerVectoriser.fit(features)

# 通过名称获取每个vectorizer的词汇表
vocab_char = transformerVectoriser.named_transformers_['vector_char'].vocabulary_
vocab_word_1 = transformerVectoriser.named_transformers_['vector_word_1'].vocabulary_
vocab_word_2 = transformerVectoriser.named_transformers_['vector_word_2'].vocabulary_
vocab_word_3 = transformerVectoriser.named_transformers_['vector_word_3'].vocabulary_

# 可以按需打印或保存
print("字符2-6元组的词汇表：", vocab_char)

这种方法的好处是通过名称访问，即使后续调整了transformers的顺序，也不会出错，可读性更强。

方法2：用transformers_属性 #

如果你想用索引访问，transformers_属性里的每个元素是一个元组，结构是(转换器名称, 转换器实例, 处理的列)，所以需要取元组的第二个元素：

transformerVectoriser.fit(features)

# 获取第一个转换器（vector_char）的词汇表
first_vocab = transformerVectoriser.transformers_[0][1].vocabulary_
# 获取第二个转换器（vector_word_1）的词汇表
second_vocab = transformerVectoriser.transformers_[1][1].vocabulary_

这个方法适合快速测试，但如果transformers的顺序变动，索引也需要调整，不如第一种方法稳妥。

内容的提问来源于stack exchange，提问作者taga