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‘)
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