在将WordCloud用于Python时，为什么字母的频率“ S＆quot”在云中考虑？

Question

我要了解Python的WordCloud软件包，并且正在使用NLTK的Moby Dick文本进行测试。其中的一个片段如下：

我的示例字符串片段

正如您可以从亮点中看到的那样在图像中，所有具有的撇号都已逃脱到“/'s”，WordCount似乎将其包含在频率计数中：

​

​“ https://i.sstatic.net/vz5c5.png” rel =“ nofollow noreferrer”>我偏斜云的

示例t似乎在计算“ S”。我是否缺少某个地方的属性，还是必须从字符串中手动删除“/'s”？

以下是我的代码的摘要：

example_corpus = nltk.corpus.gutenberg.words("melville-moby_dick.txt")
word_list = ["".join(word) for word in example_corpus]
novel_as_string = " ".join(word_list)

wordcloud = WordCloud().generate(novel_as_string)
plt.imshow(wordcloud, interpolation="bilinear")
plt.axis("off")

plt.show()

Answer 1

在此应用程序中，通常使用stopwords首先过滤单词列表，因为您不需要简单的单词，例如a，an，the，it，IT，... ，以主导您的结果。

更改了代码，希望它有所帮助。您可以检查stopwords的内容。

import nltk
from wordcloud import WordCloud
import matplotlib.pyplot as plt
from nltk.corpus import stopwords

example_corpus = nltk.corpus.gutenberg.words("melville-moby_dick.txt")
# word_list = ["".join(word) for word in example_corpus] # this statement seems like change nothing
# using stopwords to filter words
word_list = [word for word in example_corpus if word not in stopwords.words('english')]
novel_as_string = " ".join(word_list)

wordcloud = WordCloud().generate(novel_as_string)
plt.imshow(wordcloud, interpolation="bilinear")
plt.axis("off")

plt.show()

输出：请参见 wordcloud imgur

Answer 2

看来您的输入是问题的一部分，如果您看起来确实如此，

corpus = nltk.corpus.gutenberg.words("melville-moby_dick.txt")
words = [word for word in  corpus]
print word[215:230]

您会得到

['Richardson'，'“”，'s'，'dictionary'，'ketos'，''，'，'，'，' '，'。'，'cetus'，'，'，''，'。'，'，''，''，'，''，'anglo']

您可以做一些事情来克服这一点，您可以只需过滤超过1的字符串，

words = [word for word in corpus if len(word) > 1]

您可以尝试由NLTK提供的其他文件，也可以尝试读取原始输入并正确解码输入。