删除更改的停用词

Question

背景：

1) 我有以下代码使用 nltk 包删除 stopwords：

import nltk
from nltk.corpus import stopwords
from nltk.tokenize import sent_tokenize
from nltk.tokenize import word_tokenize

your_string = "The dog does not bark at the tree when it sees a squirrel"
tokens = word_tokenize(your_string)
lower_tokens = [t.lower() for t in tokens]
filtered_words = [word for word in lower_tokens if word not in stopwords.words('english')]

2) 此代码用于删除 stopwords，例如 the，如下所示：

['dog', 'barks', 'tree', 'sees', 'squirrel']

3) 我修改了 stopwords 以使用以下代码保留单词 not：

to_remove = ['not']
new_stopwords = set(stopwords.words('english')).difference(to_remove)

问题：

4) 但是当我将 new_stopwords 与以下代码一起使用时：

your_string = "The dog does not bark at the tree when it sees a squirrel"
tokens = word_tokenize(your_string)
lower_tokens = [t.lower() for t in tokens]
filtered_words = [word for word in lower_tokens if word not in new_stopwords.words('english')]

5) 我收到以下错误，因为 new_stopwords 是 set：

AttributeError: 'set' object has no attribute 'words'

问题：

6) 如何使用新定义的 new_stopwords 获得所需的输出：

['dog', 'not','barks', 'tree', 'sees', 'squirrel']

Answer 1

你非常接近，但你对错误消息的阅读是错误的：问题不在于你所说的“new_stopwords 是一个 set”，而是一个“ set 没有属性 words"

这不是。 new_stopwords是一个集合，也就是说可以直接在list comprehension中使用：

filtered_words = [word for word in lower_tokens if word not in new_stopwords]

您还可以省去修改停用词列表的麻烦，只需使用两个条件：

keep_list = ['not']
filtered_words = [word for word in lower_tokens if (word not in stopwords.words("english")) or (word in keep_list)]

删除更改的停用词

Removing altered stopwords

python-3.x

set

nltk

list-comprehension

stop-words