我使用sklearn库从推文中提取字数。但我有一个问题,即失去一些特殊字符。我想从countvectorizer函数中保留#和@chars。
默认的token_pattern参数是:token_pattern ='(?u)\ b \ w \ w + \ b'
例如,语料库在下面;
['@terör @terör #terör ak @terör ali ali ...']
输出是;
['ak', 'ali', 'terör', ...]
默认正则表达式删除特殊字符。我怎样才能保留这些字符?
我改变参数;
token_pattern=r'\b\w\w+\b|(?<!\w)@\w+|(?<!\w)#\w+')
输出符合要求;
['@terör', '#terör', ...]