是否存在类似sklearn.PolynomialFeatures的字符串交互特征生成函数？若无为如何实现？

我们知道sklearn.PolynomialFeatures可以生成数值向量的多项式和交互特征，示例如下：

import sklearn
X = [[1,2,3]]
G = sklearn.PolynomialFeatures(degree = 3, interaction_only = True, bias = False)
print(G.fit_transform(X))
# 输出：array([[1., 2., 3., 2., 3., 6., 6.]])

现在想知道是否存在可处理字符串的等价函数？若输入数组为X = [['a','b','c']]，该函数需输出array([['a','b','c','ab','ac','bc','abc']])，且支持任意输入向量。若不存在此类函数，应如何创建？

首先明确说哈，scikit-learn里没有现成的字符串版等价函数——毕竟PolynomialFeatures是专门为数值特征设计的，核心是做乘法运算，不是字符串拼接。不过完全不用担心，我们可以自己实现一个功能完全匹配的版本，逻辑其实很清晰：

一、核心思路 #

和数值版的逻辑对应：

1. 按指定的degree生成不同长度的特征索引组合
2. 对每个组合里的字符串进行拼接，得到交互特征
3. 整理成和输入格式匹配的二维数组输出

二、自定义实现代码 #

我们可以借助itertools里的combinations（处理无重复的交互特征）和product（处理允许重复的多项式特征）来实现，代码如下：

import numpy as np
from itertools import combinations, product

def string_polynomial_features(X, degree=3, interaction_only=True, bias=False):
    # 先统一输入格式为二维数组
    X = np.array(X)
    if X.ndim == 1:
        X = X.reshape(1, -1)
    
    result = []
    for sample in X:
        current_features = []
        # 处理bias项（对应数值版里的偏置，这里默认为空字符串，可按需开启）
        if bias:
            current_features.append('')
        
        # 遍历从1到设定的degree的特征组合长度
        for d in range(1, degree + 1):
            # 如果是interaction_only模式，只生成不同特征的组合（无重复索引）
            if interaction_only:
                feature_indices = combinations(range(len(sample)), d)
            else:
                # 非interaction_only模式，允许重复使用同一特征（比如生成'aa'这种）
                feature_indices = product(range(len(sample)), repeat=d)
            
            # 对每个索引组合拼接字符串
            for indices in feature_indices:
                combined_str = ''.join([sample[idx] for idx in indices])
                current_features.append(combined_str)
        
        result.append(current_features)
    
    return np.array(result, dtype=str)

三、测试你的示例 #

用你给出的测试用例跑一下，完全符合预期：

X = [['a','b','c']]
output = string_polynomial_features(X, degree=3, interaction_only=True, bias=False)
print(output)
# 输出：array([['a', 'b', 'c', 'ab', 'ac', 'bc', 'abc']], dtype='<U3')

四、额外功能说明 #

这个自定义函数还支持数值版的其他参数逻辑：

• 多样本输入：比如X = [['a','b'], ['x','y']]，会分别输出每个样本的特征组合
• 关闭interaction_only：设置interaction_only=False后，会生成包含重复特征的组合，比如输入['a','b']、degree=2时，会输出['a','b','aa','ab','ba','bb']
• bias参数：开启后会在每个样本的特征列表开头添加一个空字符串，对应数值版里的偏置项

内容的提问来源于stack exchange，提问作者A. Bohyn