Colab中texthero与gensim版本适配regex报错求助

错误原因 #

这个报错是因为pandas版本更新后，str.replace()的默认regex参数从True改为False，而你使用的texthero 1.0.5内部代码中，使用正则表达式作为替换模式时没有显式指定regex=True，导致触发参数冲突。之前的FutureWarning就是pandas提前告知这个参数默认值的变更，现在新版本pandas生效后就从警告转为错误。

具体解决方法 #

• 方法一：修复texthero源码（Colab环境下）

  1. 先定位texthero的源码路径，执行命令：

     !find /usr/local/lib/python3.*/dist-packages/texthero -name preprocessing.py
     

  2. 打开输出路径中的preprocessing.py文件，找到触发警告的代码行：

     return input.str.replace(r"^\d+\s|\s\d+\s|\s\d+$", " ")
     

  3. 修改为显式指定regex=True的版本：

     return input.str.replace(r"^\d+\s|\s\d+\s|\s\d+$", " ", regex=True)
     

  4. 保存文件后，重启Colab运行时即可生效。

• 方法二：降级pandas到兼容版本
  执行以下命令，将pandas降级到默认regex=True的版本（与texthero 1.0.5兼容）：

  !pip install pandas==1.5.3
  !pip install "gensim==4.2.0" "texthero==1.0.5"
  

  完成后重启Colab运行时。

• 方法三：手动实现数字清理逻辑
  跳过texthero的内置函数，自己实现对应的文本处理逻辑，彻底避免依赖库的版本冲突：

  import pandas as pd
  
  def custom_remove_numbers(text_series):
      # 和texthero原逻辑一致，显式指定regex=True
      return text_series.str.replace(r"^\d+\s|\s\d+\s|\s\d+$", " ", regex=True)
  
  # 替换你原来调用texthero.remove_numbers的代码
  # 示例：假设你的文本列名为text，处理后存入clean_text
  df['clean_text'] = custom_remove_numbers(df['text'])
  

内容的提问来源于stack exchange，提问作者lucasa.lisboa