功能介绍
停用词过滤,是文本分析中一个预处理方法。它的功能是过滤分词结果中的噪声(例如:的、是、啊等)。
参数说明
名称 | 中文名称 | 描述 | 类型 | 是否必须? | 默认值 | |
---|---|---|---|---|---|---|
caseSensitive | 是否大小写敏感 | 大小写敏感 | Boolean | false | ||
stopWords | 用户自定义停用词表 | 用户自定义停用词表 | String[] | null | ||
selectedCol | 选中的列名 | 计算列对应的列名 | String | ✓ | ||
outputCol | 输出结果列 | 输出结果列列名,可选,默认null | String | null | ||
reservedCols | 算法保留列名 | 算法保留列 | String[] | null |
脚本示例
脚本代码
# -*- coding=UTF-8 -*-
data = np.array([
[0, u'二手旧书:医学电磁成像'],
[1, u'二手美国文学选读( 下册 )李宜燮南开大学出版社 9787310003969'],
[2, u'二手正版图解象棋入门/谢恩思主编/华龄出版社'],
[3, u'二手中国糖尿病文献索引'],
[4, u'二手郁达夫文集( 国内版 )全十二册馆藏书']
])
df = pd.DataFrame({"id": data[:, 0], "text": data[:, 1]})
inOp = dataframeToOperator(df, schemaStr='id long, text string', op_type='batch')
segment = SegmentBatchOp().setSelectedCol("text").setOutputCol("segment")
segment.linkFrom(inOp)
remover = StopWordsRemoverBatchOp().setSelectedCol("segment").setOutputCol("remover")
BatchOperator.collectToDataframe(remover.linkFrom(segment))
脚本运行结果
id text segment remover
0 0 二手旧书:医学电磁成像 二手 旧书 : 医学 电磁 成像 二手 旧书 医学 电磁 成像
1 1 二手美国文学选读( 下册 )李宜燮南开大学出版社 9787310003969 二手 美国 文学 选读 ( 下册 ) 李宜燮 南开大学 出版社 97873100... 二手 美国 文学 选读 下册 李宜燮 南开大学 出版社 9787310003969
2 2 二手正版图解象棋入门/谢恩思主编/华龄出版社 二手 正版 图解 象棋 入门 / 谢恩 思 主编 / 华龄 出版社 二手 正版 图解 象棋 入门 谢恩 思 主编 华龄 出版社
3 3 二手中国糖尿病文献索引 二手 中国 糖尿病 文献 索引 二手 中国 糖尿病 文献 索引
4 4 二手郁达夫文集( 国内版 )全十二册馆藏书 二手 郁达夫 文集 ( 国内 版 ) 全 十二册 馆藏 书 二手 郁达夫 文集 国内 版 全 十二册 馆藏 书