慧琳275 2022-04-17 08:58 采纳率: 57.1%
浏览 22
已结题

训练集文本分类预处理

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

  • 写回答

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?
    评论
查看更多回答(2条)

报告相同问题?

问题事件

  • 系统已结题 5月5日
  • 已采纳回答 4月27日
  • 修改了问题 4月17日
  • 创建了问题 4月17日

悬赏问题

  • ¥15 PointNet++的onnx模型只能使用一次
  • ¥20 西南科技大学数字信号处理
  • ¥15 有两个非常“自以为是”烦人的问题急期待大家解决!
  • ¥30 STM32 INMP441无法读取数据
  • ¥15 R语言绘制密度图,一个密度曲线内fill不同颜色如何实现
  • ¥100 求汇川机器人IRCB300控制器和示教器同版本升级固件文件升级包
  • ¥15 用visualstudio2022创建vue项目后无法启动
  • ¥15 x趋于0时tanx-sinx极限可以拆开算吗
  • ¥500 把面具戴到人脸上,请大家贡献智慧,别用大模型回答,大模型的答案没啥用
  • ¥15 任意一个散点图自己下载其js脚本文件并做成独立的案例页面,不要作在线的,要离线状态。