如何从CountVectorizer过滤功能？

Question

我正在进行文本分析（主题建模），当我通过CountVectorizer运行时，我得到了一堆与我的需求无关的数字，日期和位置。我以为我会用preprocessing function喂食，但scikit-learn page for preprocessing似乎没有我在构建预处理器时需要的任何信息。

Answer 1

您可以更改token_pattern中的CountVectorizer参数。

令牌模式是表示“令牌”构成内容的正则表达式，仅在analyzer == 'word'时使用。令牌模式的类型是字符串。

默认token_pattern=r"(?u)\b\w\w+\b"。默认正则表达式选择2个或更多字母数字字符的标记（标点符号完全被忽略，并始终被视为标记分隔符）。您可以更改它以满足您的需求（例如忽略日期）。