知识卡片

普通读书笔记卡 · 6644.a.1.ec · 生成模型:未记录

词元数与词表大小不能混报

理解等级:中级

len(tokens)是出现次数,len(Counter(tokens))是不同词元种数,most_common再给计数排序。停止词过滤后的两个长度回答不同问题,不能都叫文章词数。原not_stopwords返回非停用词比例,见[[保留词比例不等于停用词比例]];旧translate调用、print格式及count/count1不一致还需按版本核对,本次未读用户文档或运行清洗。

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8章 信息检索:访问信息,spine062单元003;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/text00061.html。 - 结论依据:原文先Counter再打印len,实际统计不同键数,与本节文字“单词个数”及比例函数是不同口径。未在本机运行示例或改变环境。 - 原始内容:ens) print("before: len(count1) = %s") %(len(count1)) filtered1 = [w for w in tokens if not w in stopwords. words('e