So entfernen Sie Stoppwörter mit nltk oder Python

Ich habe also einen Datensatz, dessen Verwendung ich Stoppwörter entfernen möchte

stopwords.words('english')

Ich habe Probleme damit, dies in meinem Code zu verwenden, um diese Wörter einfach herauszunehmen. Ich habe bereits eine Liste der Wörter aus diesem Datensatz. Der Teil, mit dem ich zu kämpfen habe, besteht darin, mit dieser Liste zu vergleichen und die Stoppwörter zu entfernen. Jede Hilfe wird geschätzt.

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

Sie können auch ein Set-Diff ausführen, zum Beispiel:

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

Ich nehme an, Sie haben eine Liste von Wörtern (word_list), aus denen Sie Stoppwörter entfernen möchten. Sie könnten so etwas tun:

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

Um alle Arten von Stoppwörtern, einschließlich nltk-Stoppwörtern, auszuschließen, können Sie Folgendes tun:

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]

stop-wordsNur für diesen Zweck gibt es ein sehr einfaches, leichtes Python-Paket .

Installieren Sie das Paket zunächst mit: pip install stop-words

Dann können Sie Ihre Wörter in einer Zeile mithilfe des Listenverständnisses entfernen:

from stop_words import get_stop_words

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

Dieses Paket ist sehr leicht herunterzuladen (im Gegensatz zu nltk), funktioniert für beide Python 2und enthält Stoppwörter Python 3für viele andere Sprachen wie:

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

Verwenden Sie die Textcleaner- Bibliothek, um Stoppwörter aus Ihren Daten zu entfernen.

Folgen Sie diesem Link: https://yugantm.github.io/textcleaner/documentation.html#remove_stpwrds

Befolgen Sie diese Schritte, um dies mit dieser Bibliothek zu tun.

pip install textcleaner

Nach der Installation:

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

Verwenden Sie den obigen Code, um die Stoppwörter zu entfernen.

Wenn Sie diese Funktion verwenden können, sollten Sie beachten, dass Sie alle Wörter senken müssen

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

mit Filter :

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

Hier ist meine Meinung dazu, falls Sie die Antwort sofort in eine Zeichenfolge (anstelle einer Liste gefilterter Wörter) einfügen möchten:

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

Falls Ihre Daten als gespeichert sind Pandas DataFrame, können Sie remove_stopwordsvon textero , dass die NLTK Stoppwörter Liste verwenden Standard .

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

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) 

   import sys
print ("enter the string from which you want to remove list of stop words")
userstring = input().split(" ")
list =["a","an","the","in"]
another_list = []
for x in userstring:
    if x not in list:           # comparing from the list and removing it
        another_list.append(x)  # it is also possible to use .remove
for x in another_list:
     print(x,end=' ')

   # 2) if you want to use .remove more preferred code
    import sys
    print ("enter the string from which you want to remove list of stop words")
    userstring = input().split(" ")
    list =["a","an","the","in"]
    another_list = []
    for x in userstring:
        if x in list:           
            userstring.remove(x)  
    for x in userstring:           
        print(x,end = ' ') 
    #the code will be like this