Python - 去除停用词

停用词是英语中那些不会给句子增加太多意义的词语。在不牺牲句子意义的情况下，可以安全地忽略它们。例如，“the”、“he”、“have”等词。这些词已经在名为corpus的语料库中捕获。我们首先将其下载到我们的python环境中。

import nltk
nltk.download('stopwords')

它将下载一个包含英语停用词的文件。

验证停用词

from nltk.corpus import stopwords
stopwords.words('english')
print stopwords.words() [620:680]

运行以上程序后，我们将得到以下输出：

[u'your', u'yours', u'yourself', u'yourselves', u'he', u'him', u'his', u'himself', u'she', 
u"she's", u'her', u'hers', u'herself', u'it', u"it's", u'its', u'itself', u'they', u'them', 
u'their', u'theirs', u'themselves', u'what', u'which', u'who', u'whom', u'this', 
u'that', u"that'll", u'these', u'those', u'am', u'is', u'are', u'was', u'were', u'be',
u'been', u'being', u'have', u'has', u'had', u'having', u'do', u'does', u'did', u'doing',
u'a', u'an', u'the', u'and', u'but', u'if', u'or', u'because', u'as', u'until',
u'while', u'of', u'at']

除了英语之外，还有其他各种语言也包含这些停用词，如下所示。

from nltk.corpus import stopwords
print stopwords.fileids()

运行以上程序后，我们将得到以下输出：

[u'arabic', u'azerbaijani', u'danish', u'dutch', u'english', u'finnish', 
u'french', u'german', u'greek', u'hungarian', u'indonesian', u'italian', 
u'kazakh', u'nepali', u'norwegian', u'portuguese', u'romanian', u'russian',
u'spanish', u'swedish', u'turkish']

示例

我们使用以下示例来展示如何从单词列表中去除停用词。

from nltk.corpus import stopwords
en_stops = set(stopwords.words('english'))

all_words = ['There', 'is', 'a', 'tree','near','the','river']
for word in all_words: 
    if word not in en_stops:
        print(word)

运行以上程序后，我们将得到以下输出：

There
tree
near
river