从自然语言数据加载，去除停用词，Tfidf提取文本征向量的 python 代码。代码要清 晰易读，要有适当的注释。

以下是从自然语言数据加载，去除停用词，Tfidf提取文本征向量的Python代码，希望可以对你有所帮助：

import numpy as np
import re
from sklearn.feature_extraction.text import CountVectorizer, TfidfTransformer
from nltk.corpus import stopwords
from nltk.stem import WordNetLemmatizer

# 加载数据
data = ['This is the first document.', 'This is the second document.', 'And this is the third one.']

# 去除特殊字符和数字等无关词汇
data = [re.sub('[^a-zA-Z]', ' ', sentence) for sentence in data]

# 分词并去除停用词
stop_words = set(stopwords.words('english'))
data = [' '.join([word.lower() for word in sentence.split() if word.lower() not in stop_words]) for sentence in data]

# 词形还原
lemmatizer = WordNetLemmatizer()
data = [' '.join([lemmatizer.lemmatize(word) for word in sentence.split()]) for sentence in data]

# 计算词频
vectorizer = CountVectorizer()
X = vectorizer.fit_transform(data)

# 计算TF-IDF
transformer = TfidfTransformer()
tfidf = transformer.fit_transform(X)

# 提取文本特征向量
features = np.array(tfidf.todense())

以上代码中，我们首先加载自然语言数据。然后，使用正则表达式去除其中的特殊字符和数字等无关词汇。接下来，使用 NLTK 库中的停用词集合去除停用词。然后，使用 WordNetLemmatizer 进行词形还原，将每个单词还原为它的原型。然后，使用 CountVectorizer 计算每个单词在文本中出现的次数，并使用 TfidfTransformer 计算每个单词在文本中的 TF-IDF 值。最后，我们将每个文本的特征向量提取出来，存储在 features 数组中。