为何用NLTK统计Reuters语料库单词数为1720901而非约130万？

• 包含非单词元素：nltk.corpus.reuters.words()的返回结果里，除了常规英文单词，还将标点符号、数字、特殊符号（比如逗号、句号、数字串）全部计入统计。而你所说的130万的"正确结果"，一般指仅统计纯词汇、排除这类非单词元素后的数量。
• 额外文本被计入：NLTK打包的Reuters语料库可能包含了文档头、标注信息等辅助内容，甚至存在少量重复收录的文档，这些内容都被words()方法纳入了统计范围，拉高了总数。
• 语料库版本差异：不同版本的NLTK Reuters语料库在收录范围、预处理逻辑上可能有区别。你使用的版本可能比参考版本收录了更多文档，或者预处理时没有过滤掉部分内容，最终导致统计结果出现偏差。

内容的提问来源于stack exchange，提问作者saeedJamaly