spaCy文本分类器报错：'unicode'对象无'to_array'属性，如何解决？

你碰到的这个错误核心原因很明确：TextCategorizer.update()方法不接受原始字符串作为输入，它需要的是spaCy通过nlp()处理后生成的Doc对象；同时你的标注数据格式也不对，不能直接传字符串标签，得用spaCy要求的字典格式。

具体修正步骤： #

• 第一步：将原始文本转为Doc对象：用你加载好的nlp实例处理每个文本字符串，生成spaCy能识别的Doc。
• 第二步：修正标注数据格式：分类任务的标注需要是包含cats键的字典，每个分类标签对应一个0/1的数值（1表示属于该类别，0表示不属于）。
• 第三步：增加训练迭代次数（可选但推荐）：你只有2个样本，多迭代几次才能让模型学到有效特征。

修正后的完整代码： #

import spacy
from spacy.pipeline import TextCategorizer

# 加载英文模型
nlp = spacy.load('en')

# 将原始文本转为spaCy Doc对象
doc1 = nlp(u'This is my first document in the dataset.')
doc2 = nlp(u'This is my second document in the dataset.')

# 按照spaCy要求的格式准备标注数据
gold1 = {"cats": {"Category1": 1.0, "Category2": 0.0}}
gold2 = {"cats": {"Category2": 1.0, "Category1": 0.0}}

# 初始化文本分类器
textcat = TextCategorizer(nlp.vocab)
textcat.add_label('Category1')
textcat.add_label('Category2')

# 开始训练
losses = {}
optimizer = textcat.begin_training()

# 多迭代几次训练（示例用10次）
for i in range(10):
    textcat.update([doc1, doc2], [gold1, gold2], losses=losses, sgd=optimizer)
    print(f"迭代{i+1}次后的损失: {losses['textcat']:.4f}")

为什么这样改能解决问题？ #

• 原始代码里直接传字符串给update()，spaCy内部会尝试调用to_array()方法处理输入，但字符串没有这个方法，所以抛出AttributeError。转成Doc对象后，就具备了spaCy处理文本所需的所有属性和方法。
• 标注用字典格式是因为spaCy的文本分类器默认支持多分类任务，通过cats字典可以明确每个样本属于哪些类别，模型能正确计算损失值。

内容的提问来源于stack exchange，提问作者Reubend