使用 Python 从数据框的列中删除停用词

Question

我设法从网站中提取了一个单词列表并将它们存储在 dataframe 中。现在我需要的是从 "Palabras" 列中删除其中一些单词，只保留前 500 条记录。

到目前为止，这是我的代码：

import requests
wiki_url = "https://es.wiktionary.org/wiki/Wikcionario:Frecuentes-(1-1000)-Subt%C3%ADtulos_de_pel%C3%ADculas"
wiki_texto = requests.get(wiki_url).text
from bs4 import BeautifulSoup
wiki_datos = BeautifulSoup(wiki_texto, "html")
wiki_filas = wiki_datos.findAll("tr")
print(wiki_filas[1])

print("...............................")

wiki_celdas = wiki_datos.findAll("td")
print(wiki_celdas[0:])
fila_1 = wiki_celdas[0:]
info_1 = [elemento.get_text() for elemento in fila_1]
print(fila_1)
print(info_1)
info_1[0] = int(float(info_1[0]))
print(info_1)


print("...............................")

num_or = [int(float(elem.findAll("td")[0].get_text())) for elem in wiki_filas[1:]]
palabras = [elem.findAll("td")[1].get_text().rstrip() for elem in wiki_filas[1:]]
frecuencia = [elem.findAll("td")[2].get_text().rstrip() for elem in wiki_filas[1:]]
print(num_or[0:])
print(palabras[0:])
print(frecuencia[0:])

from pandas import DataFrame
tabla = DataFrame([num_or, palabras, frecuencia]).T
tabla.columns = ["Núm. orden", "Palabras", "Frecuencia"]
print(tabla.head())
print(tabla)

print("...............................")

import nltk
nltk.download()
from nltk.corpus import stopwords 
prep = stopwords.words('spanish')
print(prep)

所以我需要的是删除这段代码中包含的单词列表

stopwords.words('spanish')

来自"Palabras"列，只保留前500条记录（出现频率较高的词）：

import nltk
nltk.download()
from nltk.corpus import stopwords 
prep = stopwords.words('spanish')

提前致谢！

Answer 1

I managed to extract a list of words from a website and store them in a dictionary.

注意：实际上，您将它们存储在数据框中。

您可以使用 isin。您基本上想要获取列 'Palabras' 中的单词在停用词列表中的行。所以你只需要过滤那些行，然后使用 ~ 取相反的行。由于它已经排序，只需使用 .head(500)

tabla = tabla[~tabla['Palabras'].isin(prep)].head(500)

此外，由于 html 包含 table 标签，我会考虑使用 pandas .read_html() 因为它在后台使用 beautifulsoup，但是为你辛勤工作。您的代码可以大大减少：

完整代码，相同结果：

import nltk
import pandas as pd
#nltk.download()
from nltk.corpus import stopwords 
prep = stopwords.words('spanish')
print(prep)



tabla_beta = pd.read_html(wiki_url)[0]
tabla_beta.columns = ["Núm. orden", "Palabras", "Frecuencia"]
tabla_beta = tabla_beta[~tabla_beta['Palabras'].isin(prep)].head(500)

使用 Python 从数据框的列中删除停用词

Remove stop words from a dataframe's colum with Python

python

dataframe

web-scraping

stop-words