以下是关于数据清洗的全部内容，持续更新。
zhon避坑最关键的一点：它不是分词器，也不是中文语义模型，而是一个提供中文字符常量的 Python 包。很多坑都来自定位错了。你以为它能“理解中文”，它其实只是在帮你把汉字、标点、拼音这些边界整理得更规整。
猫猫猫猫猫对比看着像数猫，真正容易出错的却是字符、空格和编码。本文用一组可复现的内容导入案例，还原从发现重复标签、核对原始字符串，到定位尾部空格并完成清洗的全过程，顺手讲清字符数、字节数和搜索匹配为什么不是一回事。
← 查看全部标签