我有一个文本（字符串），我想在 python 中执行此任务：
我执行CountVectorizer方法以制作一个单词。您可以在此处找到此方法：http://scikit-learn.org/stable/modules/generated/sklearn.feature_extraction.text.CountVectorizer.html
此方法包括删除stopWords，它工作正常。它删除任何标点符号并打破每个单词。但除了单词之外，它还会返回大量垃圾，如单个字母和数字。
这个方法虽然有一个名为“token_pattern”的参数，它带有一个可以给我更好结果的字符串（正则表达式）。
我想做的是： a）排除任何开头，结尾或包含数字的单词。 b）从文本中排除任何数字 c）排除任何字词＆lt; = 2个字母 b）排除所有http页面
例如，这个正则表达式应该给我这个：
文字 =“乘坐Fido可能会很危险：http://t.co/eR2WfAnZBI http://t.co/RF3bhPNPwR'，平均每年卡车需要200亿英里空，这使经济损失了数十亿美元“
final_text =“可以冒险乘坐Fido去乘坐每年平均十亿英里的空车是卡车，这需要花费经济数十亿美元”
我提前感谢你的时间和关注：）
答案 0 :(得分：1)
这是一段正则表达式，它抓住任何由3个或更多长度的字母组成的单词。
[a-zA-Z]{3,}
这是一段正则表达式，可以抓取任何没有URL的行。
^((?!(https?:\/\/)+([\da-z\.-]+)\.([a-z\.]{2,6})([\/\w=?$#% \.-]*)).)*$
我还没弄清楚如何将两者结合起来。但至少，这是朝着正确方向迈出的一步。您可以将每个单词放在自己的行上，然后删除网址，然后匹配3个或更多字母的单词。丑陋，但会工作。
答案 1 :(得分：0)
我不懂python，但正则表达式对于任何编程语言都是一样的，所以我的回答是：
"(\s?\w+[0-9]+\w+\s?)|([0-9]+)|(\s\w\w\s)|(http://t.co/)"g