CountVectorizer/TfidfVectorizer方法区别及未拟合调用transform的问题

嘿，我来帮你把这几个方法的区别讲明白，还有你关心的未拟合直接调用transform的问题也一起说透～

这三个方法都是文本向量化流程里的核心操作，但职责完全不同：

• .fit(raw_documents)：这一步是让向量izer「学习规则」。它会遍历你传入的所有文本数据，统计其中的词汇（或你指定的ngram），构建一个词汇表映射（每个词对应一个唯一索引），同时根据你设置的参数（比如停用词、最大特征数、ngram范围等）过滤掉不需要的词汇。简单说就是给向量izer做「岗前培训」，让它记住你的文本里有哪些词——这一步不会输出任何矩阵，只是完成内部状态的初始化。

• .transform(raw_documents)：这一步是「用规则转换数据」。前提是你已经通过.fit()让向量izer掌握了词汇表，它会把你传入的每一段文本转换成一个行向量：每一列对应词汇表里的一个词，值是该词在文本中的出现次数（CountVectorizer）或TF-IDF权重（TfidfVectorizer），最终拼接成文档×词汇的矩阵。注意：它只会用已学的词汇表转换，不会更新词汇表——哪怕你传入的文本里有新词，也会被忽略。

• .fit_transform(raw_documents)：这就是前两步的「一键组合版」。它会先对传入的文本执行.fit()学习词汇表，紧接着就用这个词汇表对同一批文本执行.transform()，直接输出最终的向量化矩阵。这个方法更高效，省去了两次遍历数据的开销，所以我们在处理训练数据时几乎都会用它。

答案很直接：会抛出 AttributeError 错误。

因为transform方法依赖向量izer内部的vocabulary_属性（也就是.fit()生成的词汇表）来确定矩阵的维度和每个词的位置，如果没有先执行.fit()，这个属性根本不存在，向量izer不知道该把文本转换成什么结构的矩阵。

举个实际的代码例子：

from sklearn.feature_extraction.text import CountVectorizer

vectorizer = CountVectorizer()
test_text = ["this is a test phrase"]
# 直接调用transform，未先fit
vectorizer.transform(test_text)

运行后会得到这样的错误提示：

AttributeError: 'CountVectorizer' object has no attribute 'vocabulary_'

简单来说：fit是「定规则」，transform是「按规则办事」，没有规则的话，它根本不知道该怎么干活～

内容的提问来源于stack exchange，提问作者Keon Park