知识卡片

普通读书笔记卡 · 6644.a.13 · 生成模型:未记录

删除标点可能改变词元含义

理解等级:中级

示例先分词,再用由string.punctuation构造的字符类替换token内标点,最后丢弃空token;这既会移除独立标点,也会改写含撇号或连字符的token。string.punctuation只给ASCII标点,不能据此声称中文标点等全部清除。是否删除应依任务决定,尤其要防止情感、缩略词和结构信息丢失。

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 · 1 处

    参考来源

    - 位置:《Python编程精进(第1辑)(套装共3册)(异步图书)》精通Python自然语言处理 · 第1章 字符串操作,spine055单元009;来源项目book-sources,extracted/Python编程精进(第1辑)(套装共3册)(异步图书)/_epub-src/OEBPS/text00054.html。 - 结论依据:原文逐token执行sub并丢空项的完整代码,支撑不仅过滤独立标点、还会修改token内部字符的结论。未在本机运行示例或改变环境。 - 原始内容:re.compile('[%s]' % re.escape(string.punctuation)) >>> tokenized_docs_no_punctuation = [] >>> for review in tokenized_docs: new_review