怎么给训练集,测试集去除特殊符号,去停用词,提前关键词呢?像训练集分词一样的代码:
X_train_word=[jieba.cut(words ,cut_all=False)for words in X_train]
X_train_cut=[" ".join(word)for word in X_train_word]
X_train_cut[:1]
训练集、测试集里有多个txt文件,没篇TXT文件里有一篇文章

训练集文本分类预处理
- 写回答
- 好问题 0 提建议
- 关注问题
- 邀请回答
-
3条回答 默认 最新
- CSDN专家-HGJ 2022-04-17 15:53关注
读取文档为字符串,使用re.sub剔除不需要的特殊符号,然后再剔除停用词,参考例子:
import re import jieba data = 'Are these datasets? yes, they are datesets for demonstrating. 怎么给训练集,测试集去除特殊符号,去除停用词,提取关键词呢?像训练集分词一样的代码。' stopwords=['are','for','的','呢'] data = re.sub('[^\u4e00-\u9fa5A-Za-z0-9]+',' ',data) c = jieba.cut(data,cut_all=False) a=list(set([w for w in c if w not in stopwords and w!=' '])) print(a)
本回答被题主选为最佳回答 , 对您是否有帮助呢?解决 无用评论 打赏 举报