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