import re,jieba,sys
"""
Description:自定义去停用词
Prompt: code in Python3.7 env
安装jieba分词 pip install jieba
"""
#读取文本信息
def readfile(path):
str_doc = ''
#只读方式打开文件
with open(path,'r',encoding='utf-8') as f:
#逐行读取文件,包括换行符
str_doc = f.read()
return str_doc
#正则表达式对字符串清洗
def textParse(str_doc):
# 将文本中特殊符号、标点、英文、数字等过滤。
r1 = '[a-zA-Z0-9’!"#$%&\'()*+,-./::;;|<=>?@,—。?★、…【】《》?“”‘’![\\]^_`{|}~]+'
str_doc=re.sub(r1, ' ', str_doc)
#将文本中所有全角空格过滤
str_doc = re.sub('\u3000', '', str_doc)
# 文本去除空格
str_doc=re.sub('\s+', ' ', str_doc)
# 文本去除换行符
str_doc = str_doc.replace('\n',' ')
return str_doc
#jieba分词,返回切词后的词列表
def seg_doc(str_doc):
#将readfile函数读取的文本按\n分割成列表
sent_list = s
python数据预处理学习笔记——自定义去停用词
最新推荐文章于 2024-05-12 16:30:17 发布