我已经下载并清理了一组RSS提要,用NLTK作为测试分类的语料库。但当我运行频率分布时,许多最上面的结果似乎是特殊字符:
我尝试了问题here中的建议,然后初始化了语料库(指定编码):my_corpus = CategorizedPlaintextCorpusReader('C:\\rss_feeds', r'.*/.*', cat_pattern=r'(.*)/.*',encoding='iso-8859-1')
print len(my_corpus.categories())
myfreq_dist = make_training_data(my_corpus)
但结果只改变为:
设置python代码文件编码:
# -*- coding: iso-8859-1 -*-
为了完整起见,我使用以下代码将语料库读取器操纵为训练数据:
^{pr2}$
当我在记事本++中打开这些文件时,它说它们是用ANSI编码的。在
理想情况下,我希望在生成频率分布之前从单词列表中删除特殊字符和标点符号。任何帮助都将不胜感激。在