为何`Defaults.stop_words`与`nlp.vocab`的停用词数量不匹配？

这两个数值差异的核心原因是两者的统计范围完全不同：

• nlp.Defaults.stop_words是spaCy预定义的完整英文停用词集合，包含所有官方标记为停用词的词汇（共326个），这个集合不依赖于当前加载的词汇表大小。
• nlp.vocab是当前模型（这里是en_core_web_sm）实际加载的词汇条目集合。en_core_web_sm是轻量模型，它的词汇表只保留了训练数据中高频出现的词汇，很多低频的停用词并没有被预加载到vocab里。当你遍历nlp.vocab时，只会统计那些已经被加载的、且标记为停用词的词汇，所以数量只有111个。

验证示例 #

可以通过以下代码确认这个逻辑：

import spacy
nlp = spacy.load('en_core_web_sm')

# 检查一个低频停用词
low_freq_stop_word = "whereafter"

# 该词属于预定义停用词集合
print(low_freq_stop_word in nlp.Defaults.stop_words)  # 输出: True

# 但该词不在预加载的vocab条目里
print(low_freq_stop_word in [token.text for token in nlp.vocab])  # 输出: False

# 主动访问该词时，spaCy会动态创建词汇条目并标记为停用词
print(nlp.vocab[low_freq_stop_word].is_stop)  # 输出: True

内容的提问来源于stack exchange，提问作者qk11