Scikit-learn 1.1 并未引入新文本特征提取 API，CountVectorizer 和 TfidfVectorizer 接口保持稳定；主要更新集中于数值预处理、模型诊断及 fit 输入校验增强，常见报错源于数据清洗不严或类型不一致。

Scikit-learn 1.1 并没有引入“新文本特征提取 API”——这是个常见误解。官方文档和变更日志里压根没这回事，CountVectorizer 和 TfidfVectorizer 的接口自 0.20 版本起就已稳定，1.1（2022年5月发布）主要改进在数值型预处理、模型诊断和部分 estimator 的 fit 验证逻辑上。

为什么搜不到“新文本API”的文档或示例？

因为根本不存在。很多用户看到第三方博客标题如“sklearn 1.1 文本处理升级”，其实是把以下几类改动误读为“新 API”：

• 对 FeatureUnion 和 Pipeline 中字符串路径参数（如 "passthrough"）的兼容性加固，不影响文本向量化主流程
• TfidfVectorizer 内部调用的 scipy.sparse 矩阵构造方式微调，不改变用户调用方式
• CountVectorizer 对 analyzer="char_wb" 边界行为的修复，属于 bug 修正而非功能新增

实际可用的文本特征提取入口还是那两个

你该用的、且唯一推荐的仍是：

• CountVectorizer：词频统计，适合 baseline 或配合其他模型（如朴素贝叶斯）
• TfidfVectorizer：默认选项，自动做 tf-idf 加权，fit_transform() 和 transform() 行为与老版本完全一致

示例代码没变：

macOS UI 自动化技能包 —— 用 Python 控制你的 Mac

让 macOS 自动化像说话一样简单 —— 用代码控制你的 Mac，无需学习 AppleScript 系统要求 macOS 14+ (Sonoma) Python 3.9+ 需要开启：辅助功能 + 屏幕录制权限

下载

from sklearn.feature_extraction.text import TfidfVectorizer
<p>corpus = ["This is the first document.", "This document is the second document."]
vectorizer = TfidfVectorizer()
X = vectorizer.fit_transform(corpus)
print(X.shape)  # (2, 7)</p>

注意：vectorizer.vocabulary_ 是 dict，键是 token，值是列索引；X 是 scipy.sparse matrix，别直接 print 全矩阵。

容易踩的坑：升级到 1.1 后文本 pipeline 报错？

不是 API 变了，而是 1.1 加强了输入校验。典型报错：

• ValueError: Found array with 0 sample(s)：传给 fit_transform() 的 corpus 是空列表或含全空字符串，老版本可能容忍，1.1 直接 raise
• TypeError: expected string or bytes-like object：corpus 里混入了 None、数字或 dict，1.1 检查更严格
• FutureWarning: The default value of ngram_range will change：这不是错误，但说明你没显式设 ngram_range，建议写成 ngram_range=(1, 1) 或 (1, 2) 明确意图

真正影响文本流程的变动极少，别被“1.1”这个数字误导。重点检查数据清洗是否漏掉空值、是否统一转为 str、是否在 Pipeline 里误用了已弃用的 build_analyzer 替代方案——这些才是升级后出问题的根源。

大量免费API接口：立即使用
涵盖生活服务API、金融科技API、企业工商API、等相关的API接口服务。免费API接口可安全、合规地连接上下游，为数据API应用能力赋能！