直接用TfidfVectorizer得到全零矩阵，根本原因是输入文本预处理过度（如去停用词后仅余1–2词）、min_df/max_df设置不合理导致所有词被过滤，或原始文本含不可见字符使分词失败。
为什么直接用 TfidfVectorizer 会得到全零矩阵？
常见现象是调用 fit_transform() 后返回的稀疏矩阵里几乎全是 0，或者所有文档的向量完全一样。根本原因通常是输入文本太短、预处理过度（比如去停用词后只剩 1–2 个词），或 min_df/max_df 设置不合理导致所有词都被过滤。默认参数下，min_df=1 看似宽松，但如果语料中每个词只在单个文档出现，而你又设了 max_features=100，高频词没排进前 100，低频词又被 min_df 卡掉，结果就是空特征。
实操建议：
立即学习“Python免费学习笔记（深入）”；
- 先用
analyzer='char'或降低min_df到 1（确保没被默认值干扰）快速验证流程是否通 - 打印
vectorizer.get_feature_names_out()[:10]确认真有词被选中 - 检查原始文本是否含大量空格、换行、不可见字符——这些会让
tokenize失效，返回空列表
TfidfVectorizer 的 ngram_range 怎么选才不爆内存？
ngram_range=(1, 2) 看似只是加了二元词组，但实际特征维度可能翻几倍。尤其当原始词汇表有 10k 个词时，两两组合接近 1e8 种可能（虽然实际去重后少得多），稀疏矩阵存储压力陡增，fit_transform() 可能卡住或 OOM。
实操建议：
立即学习“Python免费学习笔记（深入）”；
- 小规模试跑：先用
max_features=1000+ngram_range=(1, 2)看特征数量和内存占用 - 业务导向裁剪：标题类文本适合
(1, 1)，评论/反馈类可试(1, 2)，法律条文等长文本谨慎用(1, 3) - 配合
max_df=0.95过滤掉出现在 95% 文档里的通用 n-gram（比如“的”“了”“it is”）
如何让 TfidfVectorizer 支持自定义分词（比如 jieba）？
默认 TfidfVectorizer 只按空格和标点切分，对中文基本无效。不能直接传 tokenizer=jieba.lcut，因为 jieba.lcut 返回 list，而 vectorizer 内部期望的是可迭代对象且需处理大小写、数字等细节。
实操建议：
立即学习“Python免费学习笔记（深入）”；
- 写一个封装函数：
def chinese_tokenizer(text): import jieba return [w.strip() for w in jieba.lcut(text) if w.strip()] - 初始化时传入：
TfidfVectorizer(tokenizer=chinese_tokenizer, lowercase=False)（关闭lowercase，中文不需要） - 注意 jieba 分词结果可能含空格、空白符，务必用
strip()过滤，否则会产生''特征，触发警告甚至报错
训练完的 TfidfVectorizer 怎么安全用于新文本？
直接对新文本调 transform() 没问题，但若用 fit_transform() 就会重建词汇表，导致维度不一致、无法和旧模型对接。更隐蔽的问题是：如果新文本含训练时未见过的词，默认被静默丢弃，向量长度不变但语义已偏移。
实操建议：
立即学习“Python免费学习笔记（深入）”；
- 永远保存 fitted 的 vectorizer：
import joblib; joblib.dump(vectorizer, 'tfidf.pkl') - 加载后只调
transform()，别碰fit()或fit_transform() - 如需容错，设
vocabulary参数固化词表，或用handle_unknown='ignore'（仅 scikit-learn 1.3+）
真正麻烦的是跨环境部署：不同机器上 jieba 版本差异、停用词文件路径硬编码、甚至 Python 字符串 Unicode 归一化不一致，都会让分词结果微变，最终特征错位。这些细节比算法本身更耗调试时间。
