我正在尝试清除以下数据：
from sklearn import datasets
data = datasets.fetch_20newsgroups(categories=['rec.autos', 'rec.sport.baseball', 'soc.religion.christian'])
texts, targets = data['data'], data['target']
其中
texts是文章列表，而targets是向量，其中包含每篇文章所属类别的索引。我需要清理所有文章。清洁任务意味着：
删除标题
删除标点符号
删除括号
连续空格
令牌电子邮件的长度为1
换行
我是Python的新手，但我尝试使用replace（）删除所有标点符号和所有内容。但是，我认为必须存在一种简单的方法来完成此任务。
def clean_articles (article):
return ' '.join([x for x in article[article.find('\n\n'):].replace('.','').replace('[','')
clean_articles(data['data'][1])
对于以下文章：
print(data['data'][1])
未清洗的物品：
'发件人：[email protected]（Andrew A. Spencer）\ n主题：回复：太快\ n组织：美国俄亥俄州克利夫兰的凯斯西储大学\ n电话：25 \ n回复至：aas7 @ po。 CWRU.Edu（Andrew A. Spencer）\ nNNTP发布主机：slc5.ins.cwru.edu \ n \ n \ n在上一篇文章中，[email protected]（wharfie）说：\ n \ n>在文章中<[email protected]> [email protected]（吉姆弗罗斯特）写道：\ n >>更大的引擎。这就是SHO的本质-经过稍微修改的系列，具有强大的引擎的轿车。他们甚至都没有去改善刹车。\ n> \ n> \ t这表明您对任何事情都了解。 \ n> SHO上的制动器非常不同-周围都是9英寸（或9.5？我忘了）碟片，\ n>放到前面。正常的Taurus安装是（较小的）光盘前部，\ n>鼓后部。\ n \我也没有看到后部有通风孔……这很多。\ n当然，售货员是个傻瓜……”钛轮毂。”是的，。\\后来告诉我，它们是“镁”。。虽然可信，但仍然\ ncrap，因为Al便宜得多，而且质量也一样。...\ n \ n \ ni倾向于同意，因为这仍然不能使SHO定期达到130的“标准”水平。制动器应该更大一些，例如\ n11“左右...看一下Corrados上的制动器。（那里有\ n制动规则）。\ n \ nDREW \ n'
清洁物品：
UUCP码头在前一篇文章中说com com的吉姆·弗罗斯特（Jim Frost）编写了更大的引擎，这就是SHO是经过稍加修改的具有强大引擎的家庭轿车，他们甚至没有花心改善*刹车，这表明您对任何事情都了解多少SHO是非常不同的英寸，或者忘记了前部通风孔周围的光盘。正常的Taurus设置是较小的光盘前鼓后部，一个锯子的后部也有通风孔。当然，销售人员是愚蠢的钛轮毂，是的，后来告诉我，镁更令人信服，但仍会废铝，因为铝便宜得多，并且也往往同意，这仍无法使SHO定期达到130的标准运行。刹车应该更大，例如11左右，看看Corrados上有刹车规则DREW的那些
最佳答案
注意：这不是一个完整的答案，但是以下内容至少会让您半途而废：
删除标点符号
删除换行符
删除连续的空格
删除括号
import re
s = ';\n(a b.,'
print('before:', s)
s = re.sub('[.,;\n(){}\[\]]', '', s)
s = re.sub('\s+', ' ', s)
print('after:', s)
这将打印：
before: ;
(a b.,
after: a b
关于python - 如何清理字符串列表，我们在Stack Overflow上找到一个类似的问题：https://stackoverflow.com/questions/58737283/