为什么在使用 Python 的词云库时，停用词没有被排除在词云之外？

Question

我想排除 'The'、'They' 和 'My' 在我的词云中显示。我正在使用 python 库 'wordcloud' 如下所示，并使用这 3 个额外的停用词更新停用词列表，但 wordcloud 仍然包括它们。我需要更改什么才能排除这 3 个词？

我导入的库是：

import numpy as np
import pandas as pd
from wordcloud import WordCloud, STOPWORDS
import matplotlib.pyplot as plt

我已经尝试将元素添加到 STOPWORDS 集中，但即使成功添加了单词，wordcloud 仍然显示我添加到 STOPWORDS 集中的 3 个单词：

len(STOPWORDS) 输出：192

那我运行:

STOPWORDS.add('The')
STOPWORDS.add('They')
STOPWORDS.add('My')

那我运行:

len(STOPWORDS) 输出：195

我是运行python版本3.7.3

我知道我可以修改文本输入以删除运行 wordcloud 之前的 3 个单词（而不是尝试修改 WordCloud 的停用词集），但我想知道 WordCloud 是否存在错误或者我是否我 updating/using 停用词不正确？

Answer 1

pip install nltk

不要忘记安装停用词。

python
>>> import nltk
>>> nltk.download('stopwords')

试一试：

from wordcloud import WordCloud
from matplotlib import pyplot as plt

from nltk.corpus import stopwords

stopwords = set(stopwords.words('english'))

text = "The bear sat with the cat. They were good friends. " + \
        "My friend is a bit bear like. He's lovely. The bear, the cat, the dog and me were all sat " + \
        "there enjoying the view. You should have seen it. The view was absolutely lovely. " + \
            "It was such a lovely day. The bear was loving it too."
cloud = WordCloud(stopwords=stopwords,
        background_color='white',
        max_words=10).generate(text.lower())
plt.imshow(cloud, interpolation='bilinear')
plt.axis('off')
plt.show()

Answer 2

Wordcloud 的默认设置是 collocations=True，因此两个相邻单词的频繁短语包含在云中 - 对于您的问题很重要，对于搭配，停用词的删除是不同的，例如“Thank you”是一个有效的搭配并且可能出现在生成的云中，即使“you”在默认停用词中也是如此。仅包含停用词 的搭配被 删除。

这听起来不无道理的理由是，如果在构建搭配列表之前删除了停用词，那么例如“thank you very much”会提供“thank very”的搭配，我绝对不想要。

因此，为了让您的停用词按照您的预期工作，即完全没有停用词出现在云中，您可以像这样使用 collocations=False：

my_wordcloud = WordCloud(
    stopwords=my_stopwords,
    background_color='white', 
    collocations=False, 
    max_words=10).generate(all_tweets_as_one_string)

更新：

搭配 False 时，停用词全部小写，以便在删除它们时与小写文本进行比较 - 因此无需添加 'The' 等
使用搭配 True（默认设置）时停用词小写，当查找所有停用词搭配以将其删除时，源文本不是小写的，因此 e.g.g The 在删除 the 时不会删除文本 - 这就是@Balaji Ambresh 的代码有效的原因，您会看到云中没有大写字母。这可能是 Wordcloud 的一个缺陷，不确定。但是添加例如The 到停用词不会影响这一点，因为不管搭配如何，停用词总是小写 True/False

这一切都在源代码中可见:-)

例如使用默认值 collocations=True 我得到：

然后 collocations=False 我得到：

代码：

from wordcloud import WordCloud
from matplotlib import pyplot as plt


text = "The bear sat with the cat. They were good friends. " + \
        "My friend is a bit bear like. He's lovely. The bear, the cat, the dog and me were all sat " + \
        "there enjoying the view. You should have seen it. The view was absolutely lovely. " + \
            "It was such a lovely day. The bear was loving it too."

cloud = WordCloud(collocations=False,
        background_color='white',
        max_words=10).generate(text)
plt.imshow(cloud, interpolation='bilinear')
plt.axis('off')
plt.show()

为什么在使用 Python 的词云库时，停用词没有被排除在词云之外？

Why are stop words not being excluded from the word cloud when using Python's wordcloud library?

python

nlp

stop-words

word-cloud