regex - 在 CountVectorizer 上使用正则表达式删除数字和符号

Question

目前，我有一个 CountVectorizer 函数

CountVectorizer(stop_words=stopwords.words('spanish'),token_pattern=r'(?u)\b\w\w+\b')

Sklearn 默认使用 token_pattern，我在 get_features_names 上有一些结果如下:

000,02,10,100,1080,11,14,17,19,1994,1ª,2015,2017,22,24horas,2t0s6dgxnm,30,31,32,_aitor,_anamilan_,_cuteresa,_raquel97_

我想删除数字 和_ 符号。我知道要做到这一点，我必须默认修改正则表达式函数:r'(?u)\b\w\w+\b' 那么，有什么建议吗？

谢谢。

更新:

好词:abrazo, aburrir, extrañar, además

坏词: anamilan,000,02,10,100,1080

我想添加 ñ,á,é,í,ó,ú，我尝试使用 [á-ú_ñ]+ 但它不起作用。

Answer 1

此模式应匹配所有数字和 _。

[\d_]