知识卡片

问题卡 · 6260.e

过滤阈值须对应计量单位

理解等级:中级

示例注释说只考虑1000个单词以上的内容,实际len作用于content字符串,检查的是字符串长度而不是split后的词数。字符数、字节数和词数是不同单位;阈值的对象要与分析目标一致,不能只看注释就判断进入语料的文档长度条件。

订阅示例的获取日志用len(fp.entries[0].title)打印条目数量,实际数的是首条标题长度,还要求至少有一条;日志标签不能改变所计算的对象。

这张卡片看不懂?

已有反馈 · 0 条

    还没有人提交反馈。

    在整书笔记中的位置

    原书出处 · 2 处

    • · 查看原书依据

      len(post['object']['content']) > 1000 ] all_posts = [post['object']['content'].lower().split() for post in data ] # 提供tf,idf和tf_idf打分函数 tc = nltk.TextCollection(all_posts) # 计算单词-文

    • · 查看原书依据

      len(fp.entries[0].title), fp.feed.title) blog_posts = [] for e in fp.entries: blog_posts.append({'title': e.title, 'content' : cleanHtml(e.content[0].value), 'link': e.links[0].hre

    参考来源

    - 位置:《社交网站的数据挖掘与分析(原书第2版)》第4章《4.4.3 寻找相似文档》(spine87;extracted/OReilly精品图书系列共21册(《Javascript权威指南》、《机器学习:实用案例解析》、《编写可读代码的艺术》、《算法精解》等)/_epub-src/text/part0076.html;u066-ch04-028)。 - 结论依据:原文在“len(post['object']['content']) > 1000”附近的定义、例子或代码支撑本卡核心说明:示例注释说只考虑1000个单词以上的内容,实际len作用于content字符串,检查的是字符串长度而不是split后的词数。边界按已读前提解释;示例未执行。 - 原始内容:len(post['object']['content']) > 1000 ] all_posts = [post['object']['content'].lower().split() for post in data ] # 提供tf,idf和tf_idf打分函数 tc = nltk.TextCollection(all_posts) # 计算单词-文 - 位置:《社交网站的数据挖掘与分析(原书第2版)》第5章《5.3.2 人类语言数据的句子检测》(spine94;extracted/OReilly精品图书系列共21册(《Javascript权威指南》、《机器学习:实用案例解析》、《编写可读代码的艺术》、《算法精解》等)/_epub-src/text/part0083.html;u078-ch04-028)。 - 结论依据:打印Fetched entries却数首条标题字符串长度,不是条目数,且空订阅先触发首项问题。 - 原始内容:len(fp.entries[0].title), fp.feed.title) blog_posts = [] for e in fp.entries: blog_posts.append({'title': e.title, 'content' : cleanHtml(e.content[0].value), 'link': e.links[0].hre