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

  1. # -*- coding=UTF-8 -*-
  2. data = np.array([
  3. [0, u'二手旧书:医学电磁成像'],
  4. [1, u'二手美国文学选读( 下册 )李宜燮南开大学出版社 9787310003969'],
  5. [2, u'二手正版图解象棋入门/谢恩思主编/华龄出版社'],
  6. [3, u'二手中国糖尿病文献索引'],
  7. [4, u'二手郁达夫文集( 国内版 )全十二册馆藏书']
  8. ])
  9. df = pd.DataFrame({"id": data[:, 0], "text": data[:, 1]})
  10. inOp = dataframeToOperator(df, schemaStr='id long, text string', op_type='batch')
  11. segment = SegmentBatchOp().setSelectedCol("text").setOutputCol("segment")
  12. segment.linkFrom(inOp)
  13. remover = StopWordsRemoverBatchOp().setSelectedCol("segment").setOutputCol("remover")
  14. BatchOperator.collectToDataframe(remover.linkFrom(segment))

脚本运行结果

  1. id text segment remover
  2. 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
  3. 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
  4. 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 主编 / 华龄 出版社 二手 正版 图解 象棋 入门 谢恩 主编 华龄 出版社
  5. 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
  6. 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 十二册 馆藏 二手 郁达夫 文集 国内 十二册 馆藏