NLP任务里Python怎么去停用词再提特征_CountVectorizer设置stop_words参数

夜萱姑娘_2202

夜萱姑娘_2202

2026-04-25

695人浏览

原创

CountVectorizer内置支持停用词处理,通过stop_words参数可设为"english"、None、集合或可调用对象,自动在分词后、向量化前过滤;需注意大小写、标点及中文不适用,自定义集合须为frozenset/set,且停用词不参与min_df/max_features统计。

nlp任务里python怎么去停用词再提特征_countvectorizer设置stop_words参数

CountVectorizer直接传入stop_words参数就能去停用词

不用自己写循环过滤,CountVectorizer 内置支持停用词处理。关键在于 stop_words 参数的取值方式:可以是 "english"(内置英文列表)、None(默认不启用)、一个字符串集合(如 {"the", "and", "is"}),或者一个可调用对象(比如自定义函数)。传入后,它会在分词后、向量化前自动跳过这些词。

常见错误是误以为要先用 nltk.corpus.stopwords.words("english") 手动清理文本再喂给 CountVectorizer —— 这样反而多此一举,还可能因大小写、标点残留导致漏删或报错。

用内置英文停用词时要注意大小写和标点残留

CountVectorizer 默认会把文本转小写(lowercase=True),所以 stop_words="english" 能匹配上。但如果你关了 lowercase,就得自己确保停用词集合里包含大写形式;更麻烦的是,如果原始文本带标点(比如 "the."),而停用词列表里只有 "the",那它不会被识别——因为 CountVectorizer 的默认 token_pattern 是 r"(?u)\b\w\w+\b",能切出干净的词干,但前提是标点已被预处理掉或不混在词内。

  • 推荐保留 lowercase=True(默认)
  • 若文本含大量缩写或带撇号的词(如 don't),考虑先用 re.sub 清洗,或换用 word_tokenize + 自定义 tokenizer 参数
  • 不要依赖 stop_words="english" 处理中文——它只含英文词

自定义停用词集合必须是 frozenset 或 set,不能是 list

CountVectorizer 内部会检查 stop_words 类型,如果是 list 会直接抛错:TypeError: unhashable type: 'list'。这是因为停用词需要做哈希查找,而 list 不可哈希。

正确写法是:

Contact Form 7 WordPress Form Builder and Mail Integration
Contact Form 7 WordPress Form Builder and Mail Integration

Contact Form 7 是 Rock Lobster Inc. 公司长期运行的 WordPress 表单插件,拥有超过 1000 万次活跃安装,并在 contactform7.com 提供官方文档。此技能适用于需要了解网站表单、邮件模板、验证行为和 shortcode 位置在 Contact Form 7 中实际处理方式的代理。

下载
from sklearn.feature_extraction.text import CountVectorizer
my_stops = frozenset(["u", "ur", "gonna", "wanna"])  # 或 set([...])
vectorizer = CountVectorizer(stop_words=my_stops)

如果从文件读停用词,记得转成 frozenset:

with open("stops.txt") as f:
    my_stops = frozenset(line.strip() for line in f)

stop_words 和 max_features、min_df 一起用时,停用词不参与频次统计

stop_words 的过滤发生在分词之后、但所有频次筛选(如 min_df、max_features)之前。也就是说,停用词根本不会进入词频计算环节——它们被直接丢弃,不参与 min_df 的“至少出现几次才保留”判断,也不会挤占 max_features 的名额。

这点容易误解:有人以为设了 max_features=1000 又加了 100 个停用词,最后只剩 900 个特征。其实不是——停用词早被剔除了,max_features 是在剩余非停用词里选最高频的 1000 个。

真正影响最终维度的是:原始语料中实际出现的非停用词数量、min_df 过滤后剩多少、以及 max_features 截断位置。停用词只是“隐身过滤器”,不占资源也不留痕迹。

Python免费学习笔记(深入):立即使用
在学习笔记中,你将探索 Python 的核心概念和高级技巧!

相关专题

更多
python打包成可执行文件
python打包成可执行文件

本专题为大家带来python打包成可执行文件相关的文章,大家可以免费的下载体验。

2023.07.20

1951

4

python能做什么
python能做什么

python能做的有:可用于开发基于控制台的应用程序、多媒体部分开发、用于开发基于Web的应用程序、使用python处理数据、系统编程等等。本专题为大家提供python相关的各种文章、以及下载和课程。

2023.07.25

5524

7

format在python中的用法
format在python中的用法

Python中的format是一种字符串格式化方法,用于将变量或值插入到字符串中的占位符位置。通过format方法,我们可以动态地构建字符串,使其包含不同值。php中文网给大家带来了相关的教程以及文章,欢迎大家前来阅读学习。

2023.07.31

1889

3

python教程
python教程

Python已成为一门网红语言,即使是在非编程开发者当中,也掀起了一股学习的热潮。本专题为大家带来python教程的相关文章,大家可以免费体验学习。

2023.08.03

33737

23

python环境变量的配置
python环境变量的配置

Python是一种流行的编程语言,被广泛用于软件开发、数据分析和科学计算等领域。在安装Python之后,我们需要配置环境变量,以便在任何位置都能够访问Python的可执行文件。php中文网给大家带来了相关的教程以及文章,欢迎大家前来学习阅读。

2023.08.04

3967

5

python eval
python eval

eval函数是Python中一个非常强大的函数,它可以将字符串作为Python代码进行执行,实现动态编程的效果。然而,由于其潜在的安全风险和性能问题,需要谨慎使用。php中文网给大家带来了相关的教程以及文章,欢迎大家前来学习阅读。

2023.08.04

3967

5

scratch和python区别
scratch和python区别

scratch和python的区别:1、scratch是一种专为初学者设计的图形化编程语言,python是一种文本编程语言;2、scratch使用的是基于积木的编程语法,python采用更加传统的文本编程语法等等。本专题为大家提供scratch和python相关的文章、下载、课程内容,供大家免费下载体验。

2023.08.11

1283

5

python合并两个列表
python合并两个列表

Python是一种强大的编程语言,具有许多方便的功能和工具。在Python中,有多种方法可以合并两个列表。php中文网给大家带来了相关的教程以及文章,欢迎大家前来学习阅读。

2023.08.10

636

4

python是前端还是后端
python是前端还是后端

Python属于前端也属于后端,其灵活性和丰富的生态系统使得开发人员能够在不同的领域中灵活运用。本专题为大家提供python相关的文章、下载、课程内容,供大家免费下载体验。

2023.08.11

3063

5

热门下载

更多
网站特效
/
网站源码
/
网站素材
/
前端模板

精品课程

更多
相关推荐
/
热门推荐
/
最新课程