В настоящее время у меня есть функция CountVectorizer
CountVectorizer(stop_words=stopwords.words('spanish'),token_pattern=r'(?u)\b\w\w+\b')
с token_pattern по умолчанию, используемым Sklearn, и у меня есть некоторые результаты для get_features_names следующим образом:
000,02,10,100,1080,11,14,17,19,1994,1ª,2015,2017,22,24horas,2t0s6dgxnm,30,31,32,_aitor,_anamilan_,_cuteresa,_raquel97_
Я хотел бы удалить чисел и _ . Я знаю, что для этого мне нужно изменить функцию регулярного выражения по умолчанию: r'(?u)\b\w\w+\b' Итак, Есть предложения?
Спасибо.
UPDATE:
Хорошие слова: Абразо, Абуррир, Экстранар, Адемас
Плохие слова: анамилан , 000,02,10,100,1080
Я хотел бы добавить ñ, á, é, í, ó, ú, я пробовал с [á-ú_ñ]+, но это не работает.