删除 nlp 任务的自定义停用词列表

Question

我写了一个函数来清理我的文本语料库，它的形式如下：

["wild things is a suspenseful .. twists .  ",
 "i know it already.. film goers .  ",
.....,
"touchstone pictures..about it .  okay ?  "]

这是一个由逗号分隔的句子列表。

我的职能是：

def clean_sentences(sentences):  
   
    sentences = (re.sub(r'\d+','£', s) for s in sentences
 
    stopwords = ['a', 'and', 'any', 'he', 'her', 'here', 'hers', 'herself', 'him', 'himself', 'is' , 'it']
       
    sentences = ' '.join(w for w in sentences if w not in stopwords)

    return sentences

它将数字替换为“£”，但不会删除停用词。

输出：

'wild things is a suspenseful thriller...

and a £ . £ rating , it\'s still watchable , just don\'t think about it .  okay ?  '

我不明白为什么。谢谢。

Answer 1

我相信这是因为您使用正则表达式在代码中用数字替换了符号 £。为了澄清： sentences = (re.sub(r'\d+','£', s) for s in sentences

这是一段用该符号替换任何数字的代码。我看到您定义了停用词列表，然后创建了一个没有这些停用词的新列表。但是，您用来替换数字的符号 £ 不在停用词列表中，因此它不会被排除在新列表中。您可以尝试将其添加到停用词列表中，如下所示：

def clean_sentences(sentences):  
   
    sentences = (re.sub(r'\d+','£', s) for s in sentences)
 
    stopwords = ['a', 'and', 'any', 'he', 'her', 'here', 'hers', 'herself', 'him', 'himself', 'is' , 'it', '£']
       
    sentences = ' '.join(w for w in sentences if w not in stopwords)

    return sentences

希望对您有所帮助！

编辑：我也相信您的原始代码可能有问题。看来您正在尝试使用 sentences = ' '.join(w for w in sentences if w not in stopwords) 来连接您的句子并删除所有停用词。但是，这是对 not in 运算符工作方式的无效使用。 not in 运算符只检查列表中的特定单词，而不是整个句子。基本上，它不会使用您的停用词删除任何内容，因为它无法检测整个句子中是否有停用词。您要做的是首先将每个句子拆分成一堆单词，然后使用您已经创建的相同 .join 方法创建一个新列表。这将使 not in 运算符可以检查每个单词并在它是停用词时将其删除。

Answer 2

当您实际上想将句子中的单词与停用词进行比较时，您将整个句子与停用词进行了比较。

import re

sentences = ["wild things is a suspenseful .. twists .  ",
             "i know it already.. film goers .  ",
             "touchstone pictures..about it .  okay ?  "]

stopwords = ['a', 'and', 'any', 'he', 'her', 'here', 'hers', 'herself', 'him', 'himself', 'is', 'it']

作为一个循环：

def clean_sentences(sentences):
    new_sentences = []
    for sentence in sentences:
        new_sentence = sentence.split()
        new_sentence = [re.sub(r'\d+', '£', word) for word in new_sentence]
        new_sentence = [word for word in new_sentence if word not in stopwords]
        new_sentence = " ".join(new_sentence)
        new_sentences.append(new_sentence)
    return new_sentences

或者，更紧凑，作为列表理解：

def clean_sentences(sentences):
    return [" ".join([re.sub(r'\d+', '£', word) for word in sentence.split() if word not in stopwords]) for sentence in sentences]

这两个return:

print(clean_sentences(sentences))
> ['wild things suspenseful .. twists .', 'i know already.. film goers .', 'touchstone pictures..about . okay ?']

删除 nlp 任务的自定义停用词列表

Removing a custom list of stopwords for an nlp task

nlp

stop-words

python-3.x