了解scikit CountVectorizer中的min_df和max_df

了解scikit CountVectorizer中的min_df和max_df

max_df

用于删除出现 频率太高的 术语，也称为“特定于语料库的停用词”。例如：

• max_df = 0.50

  表示“忽略出现在 50％以上文档中的 术语”。

• max_df = 25

  表示“忽略出现在 25个以上文档中的 术语”。

默认

max_df

值为

1.0

，表示“忽略出现在 100％以上文档中的 术语”。因此，默认设置不会忽略任何术语。

---

min_df

用于删除 不太常见的 术语。例如：

• min_df = 0.01

  表示“忽略出现在 少于1％的文档中的 术语”。

• min_df = 5

  表示“忽略 少于5个文档 中出现的术语”。

默认

min_df

值为

1

，表示“忽略 少于1个文档 中出现的术语”。因此，默认设置不会忽略任何术语。