知识卡片
删除标点可能改变词元含义
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?
这张卡片已通过人工审查,不再接受失败反馈。
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
- 第1章 字符串操作 1.2.1 消除标点符号 · 查看原书依据
re.escape(string.punctuation)
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