如何使用 nltk 或 python 删除停用词

问题描述：

我有一个数据集，我想从中删除停用词。

我使用 NLTK 获取了停用词列表：

from nltk.corpus import stopwords

stopwords.words('english')

我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？

解决方案 1：

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

解决方案 2：

您还可以执行集合差异，例如：

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

解决方案 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]

解决方案 4：

我假设您有一个单词列表 (word_list)，您想从中删除停用词。您可以这样做：

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

解决方案 5：

有一个非常简单的轻量级 Python 包stop-words就是为此而开发的。

首先使用以下命令安装该包：
pip install stop-words

然后，您可以使用列表推导式在一行中删除您的单词：

from stop_words import get_stop_words

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

这个包非常轻量，可以下载（与 nltk 不同），适用于和Python 2，Python 3并且它包含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

解决方案 6：

这是我对此的看法，以防您想立即将答案转换为字符串（而不是过滤词列表）：

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

解决方案 7：

使用textcleaner库从数据中删除停用词。

请访问以下链接：https://yugantm.github.io/textcleaner/documentation.html#remove_stpwrds

请按照以下步骤使用该库进行操作。

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

使用上述代码删除停用词。

解决方案 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) 

解决方案 9：

虽然这个问题有点老了，但这里有一个值得一提的新库，它可以执行额外的任务。

在某些情况下，您不仅想删除停用词。相反，您可能想在文本数据中找到停用词并将其存储在列表中，以便找到数据中的噪音并使其更具交互性。

该库名为'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

其结果将是：

    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，最后一列包含该文档（记录）中包含的停用词。

解决方案 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

解决方案 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))

解决方案 12：

我将向您展示一些示例首先，我从数据框（）中提取文本数据，twitter_df然后进行如下进一步处理

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

然后为了标记化我使用以下方法

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

然后，为了删除停用词，

     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()

我认为这会对你有帮助

解决方案 13：

尝试一下：

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

解决方案 14：

如果您的数据存储为Pandas DataFrame，您可以使用默认remove_stopwords使用 NLTK 停用词列表的 textero 。

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