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 csmar数据进行spss描述性统计分析
  • ¥15 各位请问平行检验趋势图这样要怎么调整?说标准差差异太大了
  • ¥15 delphi webbrowser组件网页下拉菜单自动选择问题
  • ¥15 wpf界面一直接收PLC给过来的信号,导致UI界面操作起来会卡顿
  • ¥15 init i2c:2 freq:100000[MAIXPY]: find ov2640[MAIXPY]: find ov sensor是main文件哪里有问题吗
  • ¥15 运动想象脑电信号数据集.vhdr
  • ¥15 三因素重复测量数据R语句编写,不存在交互作用
  • ¥15 微信会员卡等级和折扣规则
  • ¥15 微信公众平台自制会员卡可以通过收款码收款码收款进行自动积分吗
  • ¥15 随身WiFi网络灯亮但是没有网络,如何解决?