我在数据集中有大约100,000个文档的集合，其中包含唯一的doc_id和包含文本的四列（如下所示） .
我想分别对四个文本列中的每一个进行矢量化，然后将所有这些特征组合在一起以创建一个大型数据集，以便构建预测模型 . 我使用如下代码来处理每个文本功能的矢量化：
stopwords = nltk.corpus.stopwords.words("english")
subject_transformer = CountVectorizer(stop_words=stopwords)
subject_vectorized = subject_transformer.fit_transform(full_docs['subject'])
body_transformer = CountVectorizer(stop_words=stopwords)
body_vectorized = body_transformer.fit_transform(full_docs['body'])
excerpt_transformer = CountVectorizer(stop_words=stopwords)
excerpt_vectorized = excerpt_transformer.fit_transform(full_docs['excerpt'])
regex_transformer = CountVectorizer(stop_words=stopwords)
regex_vectorized = regex_transformer.fit_transform(full_docs['regex'])
每个矢量化产生如下的稀疏矩阵，其中 column one 是文档编号， column two 是列编号（原始文本列中每个字一个）， last column 是实际计数 .
我想做的是以下内容：
-
将每个稀疏矩阵转置为维度为nxp的完整数据帧，其中n =文档数量＆p =该语料库中的单词数量
-
将这些矩阵/数据帧中的每一个合并在一起，以构建预测模型
我最初尝试了以下内容：
regex_vectorized_df = pd.DataFrame（regex_vectorized.toarray（））
然后我可以将四个单独的数据帧合并在一起 . 这不起作用，因为toarray（）太占用内存 . 将这四个稀疏矩阵合并为一个数据集的最佳方法是什么，每个文档有一个唯一的行？