我在文本数据上使用tf-idf
,但是无法删除少于 3个字符的单词。我正在使用stop-words
来忽略一些单词,但是如何指定长度以限制少于3个字符的单词呢?
stopwords = ENGLISH_STOP_WORDS.union(['docx','45','ect', 'hou', 'com', 'recipient' , '030311' , '2011' , 'hrc' , 'qaddafi'])
vectsubject = TfidfVectorizer(analyzer='word', stop_words=stopwords, max_df=0.50, min_df=2)
X_SUBJECT = vectsubject.fit_transform(datasetemail.MetadataSubject)
features_subject = vectsubject.get_feature_names()
# Let's print the top 5 terms in body
dfbodyfeatures = gettop5(features_subject)
print(dfbodyfeatures)
我的结果是特征少于3个字符。
0 aiding
1 syria
2 latest
3 sid
4 exchange
我想删除“ sid”之类的词并在结果中包括下一个功能,因此输出可能要包括“帮助”功能,这是下一个相关功能
0 aiding
1 syria
2 latest
3 exchange
4 helping
基本上,我想删除features_subject
中少于3个字符的功能。
答案 0 :(得分:1)
以下列表理解应该可以解决问题:
features_subject = [f for f in vectsubject.get_feature_names() if len(f) > 3]
现在输出应排除长度小于3的任何单词。
dfbodyfeatures = gettop5(features_subject)
print(dfbodyfeatures)
0 aiding
1 syria
2 latest
3 exchange
4 helping
答案 1 :(得分:0)
尝试一下
words = ['aiding', 'syria', 'latest', 'sid', 'exchange']
result_words = [x for x in words if len(x) > 3]
# Sample output
['aiding', 'syria', 'latest', 'exchange']