接受三个或更多字母字符的标记的正则表达式答案

【问题标题】：Regular expression that accepts tokens of three or more alphabetical characters接受三个或更多字母字符的标记的正则表达式
【发布时间】：2022-07-23 00:34:35
【问题描述】：

我正在尝试构建一个 TFIDVectorizer，它只接受使用 TFIdfVectorizer(token_pattern="(?u)\\b\\D\\D\\D+\\b")

的 3 个或更多字母字符的标记

但它的行为不正确，我知道 token_pattern="(?u)\\b\\w\\w\\w+\\b" 接受 3 个或更多 字母数字 字符的标记，所以我只是不明白为什么前者不起作用。

我错过了什么？

【问题讨论】：

三个或更多字母是token_pattern="[^\W\d_]{3,}" 或token_pattern="[a-zA-Z]{3,}"

标签： python regex tfidfvectorizer

【解决方案1】：

问题在于使用\D 元字符，因为它实际上是为了匹配任何非数字 字符，而不是任何字母字符。来自Python docs：

你可以改为：

token_pattern="(?i)[a-z]{3,}"

解释：

(?i) — 使匹配不区分大小写的内联标志，
[a-z] — 匹配任何拉丁字母，
{3,} — 使前一个 token 匹配三次或更多次（贪婪，即尽可能多地匹配）。

我希望这能回答您的问题。 :)

【讨论】：