标签:python scikit-learn python-2-7 unicode nltk
我试图使用来自sckit-learn的Tf-idf Vectorizer,使用来自NLTK的西班牙语停用词:
from nltk.corpus import stopwords
vectorizer = TfidfVectorizer(stop_words=stopwords.words("spanish"))
问题是我得到以下警告:
/home/---/.virtualenvs/thesis/local/lib/python2.7/site-packages/sklearn/feature_extraction/text.py:122: UnicodeWarning: Unicode equal comparison failed to convert both arguments to Unicode - interpreting them as being unequal
tokens = [w for w in tokens if w not in stop_words]
有没有简单的方法来解决这个问题?
解决方法:
实际上问题比我想象的更容易解决.这里的问题是NLTK不返回unicode对象,而是str对象.所以我需要在使用之前从utf-8解码它们:
stopwords = [word.decode('utf-8') for word in stopwords.words('spanish')]
标签:python,scikit-learn,python-2-7,unicode,nltk 来源: https://codeday.me/bug/20190830/1768904.html
本站声明: 1. iCode9 技术分享网(下文简称本站)提供的所有内容,仅供技术学习、探讨和分享; 2. 关于本站的所有留言、评论、转载及引用,纯属内容发起人的个人观点,与本站观点和立场无关; 3. 关于本站的所有言论和文字,纯属内容发起人的个人观点,与本站观点和立场无关; 4. 本站文章均是网友提供,不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属;如您发现该文章侵犯了您的权益,可联系我们第一时间进行删除; 5. 本站为非盈利性的个人网站,所有内容不会用来进行牟利,也不会利用任何形式的广告来间接获益,纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。