咱先梳理下你的需求：用PorterStemmer做词干提取后，既要把整封邮件还原成空格分隔的字符串，又要单独处理邮箱里的单词（词干化），还不能把邮箱里的词干存入特征数组。下面给你一套可行的实现思路和代码：

1. 基础操作：词干列表转字符串 #

如果是普通单词列表，直接用' '.join()方法就能把列表转成空格分隔的字符串，比如：

from nltk.stem import PorterStemmer

stemmer = PorterStemmer()
words = ["going", "until", "jurong", "point", "crazy", "available", "only"]
stemmed_list = [stemmer.stem(word) for word in words]
result_str = ' '.join(stemmed_list)
print(result_str)  # 输出: go until jurong point crazi avail onli

2. 处理邮箱地址的特殊逻辑 #

重点是要先识别邮件里的邮箱地址，对邮箱内的单词做词干提取，但不把这些词干加入特征数组。这里可以用正则匹配邮箱，再拆分邮箱的各个部分处理：

完整代码示例 #

import re
from nltk.stem import PorterStemmer

stemmer = PorterStemmer()

def process_email(email_content):
    # 用来存储最终的处理后字符串的片段
    processed_parts = []
    # 用来存储非邮箱部分的词干（用于特征数组）
    feature_words = []
    
    # 正则匹配邮箱地址（简单匹配，可根据需求调整）
    email_pattern = r'\b[A-Za-z0-9._%+-]+@[A-Za-z0-9.-]+\.[A-Z|a-z]{2,}\b'
    # 把邮件内容拆成「非邮箱部分」和「邮箱部分」的列表
    tokens = re.split(f'({email_pattern})', email_content)
    
    for token in tokens:
        # 如果当前token是邮箱地址
        if re.fullmatch(email_pattern, token):
            # 拆分邮箱的用户名和域名
            username, domain = token.split('@', 1)
            # 处理用户名：按.、_等分隔符拆分单词，词干化后重新拼接
            stemmed_username = '.'.join([stemmer.stem(word) for word in re.split(r'[._]', username)])
            # 处理域名：同样拆分后词干化，注意保留后缀的完整（比如.com不要改）
            domain_parts = domain.split('.')
            stemmed_domain_parts = [stemmer.stem(part) for part in domain_parts[:-1]] + [domain_parts[-1]]
            stemmed_domain = '.'.join(stemmed_domain_parts)
            # 重新组合成邮箱地址
            stemmed_email = f'{stemmed_username}@{stemmed_domain}'
            processed_parts.append(stemmed_email)
            # 邮箱里的词干不加入feature_words数组
        else:
            # 处理普通文本：先拆分单词，词干化，再转回字符串
            words = re.findall(r'\b\w+\b', token.lower())  # 转小写并提取单词
            stemmed_words = [stemmer.stem(word) for word in words]
            if stemmed_words:
                processed_parts.append(' '.join(stemmed_words))
                # 把这些词干加入特征数组
                feature_words.extend(stemmed_words)
    
    # 把所有片段拼接成最终的空格分隔字符串
    final_email_str = ' '.join(processed_parts)
    return final_email_str, feature_words

# 测试示例
test_email = "Go until jurong point crazy available only. Contact me at hello_world@example.com or test_user@mail.org"
processed_str, features = process_email(test_email)
print("处理后的邮件字符串：")
print(processed_str)  # 输出: go until jurong point crazi avail onli contact me at hello_world@exampl.com or test_user@mail.org
print("\n用于特征数组的词干：")
print(features)  # 输出: ['go', 'until', 'jurong', 'point', 'crazi', 'avail', 'onli', 'contact', 'me', 'or']

代码说明 #

• 用正则拆分邮件内容，把邮箱和普通文本分开处理，避免邮箱被拆成零散单词
• 邮箱的用户名和域名分别拆分后词干化，再重新组合成邮箱格式，保证邮箱的可读性
• 普通文本部分词干化后不仅拼接成字符串，还把词干存入feature_words数组，而邮箱里的词干则跳过这一步
• 正则匹配邮箱的模式可以根据实际需求调整（比如支持更复杂的邮箱格式）

这样就能同时满足你三个需求：词干提取后保持空格分隔字符串、处理邮箱内的词干、邮箱词干不存入数组啦～

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