Автор оригинала: Pankaj Kumar.
В этом руководстве мы узнаем, как удалить стоп-слов из кусочка текста в Python. Удаление стоп-слов из текста наступает под Предварительная обработка данных перед использованием моделей машинного обучения на нем.
Что стопорные слова?
Стоп слова – это слова на естественном языке, которые имеют очень мало смысла. Это такие слова « это «,« », и.
При извлечении информации из текста эти слова не дают ничего значимого. Поэтому это хорошая практика для удаления стоп-слов из текста, прежде чем использовать его, чтобы обучить модели обучения машин.
Еще одним преимуществом удаления слов «Стоп» состоит в том, что он уменьшает размер набора данных и время, предпринятое в обучении модели.
Практика удаления стоп-слов также распространена среди поисковых систем. Поисковые системы, такие как Google Удалите стоп слова из поисковых запросов, чтобы дать более быстрый ответ.
В этом руководстве мы будем использовать Модуль NLTK удалить стоп-слова.
Модуль NLTK – самый популярный модуль, когда речь идет о обработке натурального языка.
Для начала мы сначала скачайте CORPUS с остановками модуля NLTK.
Скачать корпус с остановками слов из NLTK
Для загрузки используйте корпус:
import nltk nltk.download('stopwords')
Выход:
Теперь мы можем начать использовать корпус.
Распечатать список остановок слов из корпуса
Давайте распечатаем список остановок слов из корпуса. Для этого использовать:
from nltk.corpus import stopwords print(stopwords.words('english'))
Выход:
['i', 'me', 'my', 'myself', 'we', 'our', 'ours', 'ourselves', 'you', "you're", "you've", "you'll", "you'd", 'your', 'yours', 'yourself', 'yourselves', 'he', 'him', 'his', 'himself', 'she', "she's", 'her', 'hers', 'herself', 'it', "it's", 'its', 'itself', 'they', 'them', 'their', 'theirs', 'themselves', 'what', 'which', 'who', 'whom', 'this', 'that', "that'll", 'these', 'those', 'am', 'is', 'are', 'was', 'were', 'be', 'been', 'being', 'have', 'has', 'had', 'having', 'do', 'does', 'did', 'doing', 'a', 'an', 'the', 'and', 'but', 'if', 'or', 'because', 'as', 'until', 'while', 'of', 'at', 'by', 'for', 'with', 'about', 'against', 'between', 'into', 'through', 'during', 'before', 'after', 'above', 'below', 'to', 'from', 'up', 'down', 'in', 'out', 'on', 'off', 'over', 'under', 'again', 'further', 'then', 'once', 'here', 'there', 'when', 'where', 'why', 'how', 'all', 'any', 'both', 'each', 'few', 'more', 'most', 'other', 'some', 'such', 'no', 'nor', 'not', 'only', 'own', 'same', 'so', 'than', 'too', 'very', 's', 't', 'can', 'will', 'just', 'don', "don't", 'should', "should've", 'now', 'd', 'll', 'm', 'o', 're', 've', 'y', 'ain', 'aren', "aren't", 'couldn', "couldn't", 'didn', "didn't", 'doesn', "doesn't", 'hadn', "hadn't", 'hasn', "hasn't", 'haven', "haven't", 'isn', "isn't", 'ma', 'mightn', "mightn't", 'mustn', "mustn't", 'needn', "needn't", 'shan', "shan't", 'shouldn', "shouldn't", 'wasn', "wasn't", 'weren', "weren't", 'won', "won't", 'wouldn', "wouldn't"]
Это список стоп-слов для английского языка. Есть и другие языки.
Чтобы распечатать список имеющихся языков использования:
from nltk.corpus import stopwords print(stopwords.fileids())
Выход:
['arabic', 'azerbaijani', 'danish', 'dutch', 'english', 'finnish', 'french', 'german', 'greek', 'hungarian', 'indonesian', 'italian', 'kazakh', 'nepali', 'norwegian', 'portuguese', 'romanian', 'russian', 'slovene', 'spanish', 'swedish', 'tajik', 'turkish']
Это языки, для которых сложные слова доступны в NLTK ‘ Стопварды Корпус.
Как добавить свои собственные остановки слова к корпусу?
Чтобы добавить останавливать свои слова в список использования:
new_stopwords = stopwords.words('english') new_stopwords.append('SampleWord')
Теперь вы можете использовать « » new_stopwords «Как новый корпус. Давайте узнаем, как удалить сложные слова из предложения, используя этот корпус.
Как удалить стоп слова из текста?
В этом разделе мы узнаем, как удалить сложные слова из текста. Прежде чем мы сможем двигаться дальше, вы должны прочитать этот учебник по токенизации.
Токенизация – это процесс разрушения куска текста в более мелкие агрегаты, называемые токенами. Эти токены образуют строительный блок NLP.
Мы будем использовать токенизацию для преобразования предложения в список слов. Затем мы удалим слов стоп из этого списка Python.
nltk.download('punkt') from nltk.tokenize import word_tokenize text = "This is a sentence in English that contains the SampleWord" text_tokens = word_tokenize(text) remove_sw = [word for word in text_tokens if not word in stopwords.words()] print(remove_sw)
Выход:
['This', 'sentence', 'English', 'contains', 'SampleWord']
Вы можете увидеть, что вывод содержит « Образец «Это потому, что мы использовали корпус по умолчанию для удаления стоп-слов. Давайте будем использовать корпус, который мы создали. Мы будем использовать Понимание списка для того же.
nltk.download('punkt') from nltk.tokenize import word_tokenize text = "This is a sentence in English that contains the SampleWord" text_tokens = word_tokenize(text) remove_sw = [word for word in text_tokens if not word in new_stopwords] print(remove_sw)
Выход:
['This', 'sentence', 'English', 'contains']
Заключение
Этот учебник был о удалении остановки слов из текста в Python. Мы использовали модуль NLTK для удаления стоп-слов из текста. Мы надеемся, что вы веселились с нами!