码迷,mamicode.com
首页 > 编程语言 > 详细

自然语言预处理

时间:2018-10-26 13:08:12      阅读:195      评论:0      收藏:0      [点我收藏+]

标签:hit   特殊符号   ken   针对   counter   class   count   格式   ane   

#英文预处理

#按空格进行分词,同时针对推文一些特性,去除@用户名,保留表情等一些特殊符号
tokenizer = TweetTokenizer()
for counter,rev in enumerate(reviews):
    # 去除HTML网页格式
    temp = BeautifulSoup(rev)
    text = temp.get_text()
    # 去除空格
    text = re.sub(‘ +‘,‘ ‘,text)
    # strip leading and trailing white space
    text = text.strip()
    # tokenize 
    tokens = tokenizer.tokenize(text)
    cleaned_reviews.append(tokens)
    if counter % round(len(reviews)/10) == 0:
        print(counter, ‘/‘, len(reviews), ‘reviews cleaned‘)

  

自然语言预处理

标签:hit   特殊符号   ken   针对   counter   class   count   格式   ane   

原文地址:https://www.cnblogs.com/fionacai/p/9855520.html

(0)
(0)
   
举报
评论 一句话评论(0
登录后才能评论!
© 2014 mamicode.com 版权所有  联系我们:gaon5@hotmail.com
迷上了代码!