看起来“执行此操作”需要对字符串列表进行一些regexp替换。Python在这个领域提供了比R更强大的功能。下面是我如何应用你的rmRepeatedPatterns替换，使用列表理解：pCorp = [ re.sub(r'\b(\S+?)\1\S*\b', '', line) for line in pCorp ]
如果希望将其包装在函数中：
^{pr2}$
Python还有一个map运算符，可用于函数：pCorp = map(rmRepeatedPatterns, pCorp)
但是列表理解更强大、更具表现力和灵活性；正如您所见，您可以应用简单的替换而不必将它们埋入函数中。在
附加说明：如果您的数据集很大，您还可以学习如何使用生成器而不是列表理解；实际上，它们允许您根据需要生成元素，而不是创建大量中间列表。
Python有一些操作符，比如map，但是如果你要做很多矩阵操作，你应该阅读numpy，它提供了一个更像R的体验。
编辑：在再次查看了示例R脚本之后，我将如何完成剩下的清理工作，例如，获取行列表，转换为小写，删除标点和数字(特别是：不是英文字母的所有内容)，并删除非索引字。在# Lower-case, split into words, discard everything that's not a letter
tok_lines = [ re.split(r"[^a-z]+", line.lower()) for line in pCorp ]
# tok_lines is now a list of lists of words
stopwordlist = nltk.corpus.stopwords.words("english") # or any other list
stopwords = set(w.lower() for w in stopwordlist)
cleantoks = [ [ t for t in line if t not in stopwords ]
for line in tok_lines ]
我不建议使用question you link to中提出的任何一种解决方案。在集合中查找事物比在大列表中查找要快得多，我将使用理解来代替filter()。在
| 
转播
