如何使用 nltk 或 python 删除停用词

Question

我有一个数据集，我想从中删除停用词。

我使用 NLTK 获取停用词列表：

from nltk.corpus import stopwords

stopwords.words('english')

究竟如何将数据与停用词列表进行比较，从而从数据中删除停用词？

Answer 1

from nltk.corpus import stopwords
# ...
filtered_words = [word for word in word_list if word not in stopwords.words('english')]

Answer 2

您还可以进行设置差异，例如：

list(set(nltk.regexp_tokenize(sentence, pattern, gaps=True)) - set(nltk.corpus.stopwords.words('english')))

Answer 3

要排除所有类型的停用词（包括 nltk 停用词），您可以执行以下操作：

from stop_words import get_stop_words
from nltk.corpus import stopwords

stop_words = list(get_stop_words('en'))         #About 900 stopwords
nltk_words = list(stopwords.words('english')) #About 150 stopwords
stop_words.extend(nltk_words)

output = [w for w in word_list if not w in stop_words]

Answer 4

我想您有一个要从中删除停用词的单词列表（word_list）。你可以这样做：

filtered_word_list = word_list[:] #make a copy of the word_list
for word in word_list: # iterate over word_list
  if word in stopwords.words('english'): 
    filtered_word_list.remove(word) # remove word from filtered_word_list if it is a stopword

Answer 5

为此，有一个非常简单的轻量级 python 包 stop-words 。

首先使用以下命令安装软件包：
pip install stop-words

然后，您可以使用列表理解删除一行中的单词：

from stop_words import get_stop_words

filtered_words = [word for word in dataset if word not in get_stop_words('english')]

这个包下载起来非常轻量（与 nltk 不同），适用于 Python 2 和 Python 3 ，它还有许多其他语言的停用词，例如：

    Arabic
    Bulgarian
    Catalan
    Czech
    Danish
    Dutch
    English
    Finnish
    French
    German
    Hungarian
    Indonesian
    Italian
    Norwegian
    Polish
    Portuguese
    Romanian
    Russian
    Spanish
    Swedish
    Turkish
    Ukrainian

Answer 6

如果您想立即将答案放入字符串（而不是过滤后的单词列表）中，这是我的看法：

STOPWORDS = set(stopwords.words('english'))
text =  ' '.join([word for word in text.split() if word not in STOPWORDS]) # delete stopwords from text

Answer 7

使用 textcleaner 库从数据中删除停用词。

请点击此链接：https://yugantm.github.io/textcleaner/documentation.html#remove_stpwrds

请按照以下步骤操作此库。

pip install textcleaner

安装后：

import textcleaner as tc
data = tc.document(<file_name>) 
#you can also pass list of sentences to the document class constructor.
data.remove_stpwrds() #inplace is set to False by default

使用上面的代码删除停用词。

Answer 8

from nltk.corpus import stopwords 

from nltk.tokenize import word_tokenize 

example_sent = "This is a sample sentence, showing off the stop words filtration."

  
stop_words = set(stopwords.words('english')) 
  
word_tokens = word_tokenize(example_sent) 
  
filtered_sentence = [w for w in word_tokens if not w in stop_words] 
  
filtered_sentence = [] 
  
for w in word_tokens: 
    if w not in stop_words: 
        filtered_sentence.append(w) 
  
print(word_tokens) 
print(filtered_sentence) 

Answer 9

虽然问题有点老了，但这里有一个新的库，值得一提，它可以完成额外的任务。

在某些情况下，您不想只删除停用词。相反，您可能希望找到文本数据中的停用词并将其存储在列表中，以便您可以找到数据中的噪音并使其更具交互性。

该库称为'textfeatures'。您可以按如下方式使用它：

! pip install textfeatures
import textfeatures as tf
import pandas as pd

例如，假设您有以下一组字符串：

texts = [
    "blue car and blue window",
    "black crow in the window",
    "i see my reflection in the window"]

df = pd.DataFrame(texts) # Convert to a dataframe
df.columns = ['text'] # give a name to the column
df

现在，调用 stopwords() 函数并传递您想要的参数：

tf.stopwords(df,"text","stopwords") # extract stop words
df[["text","stopwords"]].head() # give names to columns

结果将是：

    text                                 stopwords
0   blue car and blue window             [and]
1   black crow in the window             [in, the]
2   i see my reflection in the window    [i, my, in, the]

如您所见，最后一列有该文档（记录）中包含的停用词。

Answer 10

你可以使用这个功能，你应该注意到你需要降低所有的单词

from nltk.corpus import stopwords

def remove_stopwords(word_list):
        processed_word_list = []
        for word in word_list:
            word = word.lower() # in case they arenet all lower cased
            if word not in stopwords.words("english"):
                processed_word_list.append(word)
        return processed_word_list

Answer 11

使用过滤器：

from nltk.corpus import stopwords
# ...  
filtered_words = list(filter(lambda word: word not in stopwords.words('english'), word_list))

Answer 12

我将向你展示一些例子
首先，我从数据框（twitter_df）中提取文本数据以进行如下进一步处理

     from nltk.tokenize import word_tokenize
     tweetText = twitter_df['text']

然后进行标记化，我使用以下方法

     from nltk.tokenize import word_tokenize
     tweetText = tweetText.apply(word_tokenize)

然后，要删除停用词，

     from nltk.corpus import stopwords
     nltk.download('stopwords')

     stop_words = set(stopwords.words('english'))
     tweetText = tweetText.apply(lambda x:[word for word in x if word not in stop_words])
     tweetText.head()

我认为这会对您有所帮助

Answer 13

试试这个：

sentence = " ".join([word for word in sentence.split() if word not in stopwords.words('english')]

Answer 14

如果您的数据存储为 Pandas DataFrame，您可以使用 textero 中的 remove_stopwords，该文本使用 默认。

import pandas as pd
import texthero as hero
df['text_without_stopwords'] = hero.remove_stopwords(df['text'])