Python自然语言处理停用词过滤实例详解
什么是停用词
在汉语中，有一类没有多少意义的词语，比如组词“的”，连词“以及”、副词“甚至”，语气词“吧”，被称为停用词。一个句子去掉这些停用词，并不影响理解。所以，进行自然语言处理时，我们一般将停用词过滤掉。
而HanLP库提供了一个小巧的停用词字典，它位于Lib\site-packages\pyhanlp\static\data\dictionary目录中，名字为：stopwords.txt。该文本收录了常见的中英文无意义的词汇，每行一个词语。示例如下：
我们在进行自然语言处理时，可以用BinTrie、DoubleArrayTrie和AhoCorasickDoubleArrayTrie中的任意一个来存储词典。考虑到该词典中都是短语且比较多，用双数组字典树更划算，处理时间更快。
加载停用词字典
通过前文的介绍，我们知道了使用双数组字典树加载停用词字典更划算。下面，我们来加载其停用词，并返回键值对结构。代码如下：
def load_dictionary(path): map=JClass('java.util.TreeMap')() with open(path,encoding='utf-8') as src: for word in src: word=word.strip() map[word]=word return JClass('com.hankcs.hanlp.collection.trie.DoubleArrayTrie')(map)删除停用词
通过上面的停用词加载，我们获取了DoubleArrayTrie树结构的词汇。如果要删除停用词，可以直接使用分词后的结果剔除停用词即可。剔除的方法如下：
def remove_stopwords(termlist,trie): return [term.word for term in termlist if not trie.containsKey(term.word)]
分词以及删除停用词
在前面的博文中，我们已经学会了如何分词，现在我们又学会了如何剔除停用词。这里，我们将两者结合起来，实现分词效果。代码如下：
if __name__ == "__main__": HanLP.Config.ShowTermNature=False trie=load_dictionary(HanLP.Config.CoreStopWordDictionaryPath) text="今天就这样吧！明天我们在说可以吗？" segment=DoubleArrayTrieSegment() termlist=segment.seg(text) print("分词结果",termlist) print("去掉停用词",remove_stopwords(termlist,trie))运行之后，得到如下结果：
直接删除停用词（不分词）
对应上面的结果，我们先分词在删除停用词。但是，有时候我们也喜欢先删除停用词在进行分词。下面，我们来实现直接删除停用词。
代码如下：
#直接过滤方法
def direct_remove_stopwords(text,replacement,trie): JString=JClass('java.lang.String') searcher=trie.getLongestSearcher(JString(text),0) offset=0 result='' while searcher.next(): begin=searcher.begin end=begin+searcher.length if begin>offset: result+=text[offset:begin] result+=replacement offset=end if offset<len(text): result+=text[offset:] return result
if __name__ == "__main__": HanLP.Config.ShowTermNature = False trie = load_dictionary(HanLP.Config.CoreStopWordDictionaryPath) text = "今天就这样吧！明天我们在说可以吗？" segment = DoubleArrayTrieSegment() termlist = segment.seg(text) print("分词结果", termlist) print("去掉停用词", remove_stopwords(termlist, trie)) print("不分词去掉停用词", direct_remove_stopwords(text, "**", trie))运行之后，效果如下：
以上就是Python自然语言处理停用词过滤实例详解的详细内容，更多关于Python自然语言处理停用词过滤的资料请关注脚本之家其它相关文章！
相关文章
这篇文章主要详细介绍了在flask中如何获取不请求方式的参数,文中给出了详细的代码示例和图文介绍,对大家的学习或工作有一定的帮助,需要的朋友可以参考下2024-04-04
详解python中的三种命令行模块(sys.argv,argparse,click)
这篇文章主要介绍了python中的三种命令行模块(sys.argv,argparse,click)的相关资料，帮助大家更好的理解和使用python，感兴趣的朋友可以了解下2020-12-12
这篇文章主要介绍了Python通过正则库爬取淘宝商品信息代码实例,文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值,需要的朋友可以参考下2020-03-03
在Excel中,默认的行高和列宽可能不足以完全显示某些单元格中的内容,特别是当内容较长时,通过调整行高和列宽,可以确保所有数据都能完整显示,避免内容被截断,本文将介绍如何通过Python调整Excel的行高列宽、或设置自适应行高列宽,需要的朋友可以参考下2024-11-11
ModelForm类是form是组件中Form的一个子类,所以也是处理表单的,下面这篇文章主要给大家介绍了关于django中模板继承与ModelForm的相关资料,文中通过实例代码介绍的非常详细,需要的朋友可以参考下2022-04-04
Python3读写Excel文件(使用xlrd,xlsxwriter,openpyxl3种方式读写实例与优劣)
这篇文章主要介绍了Python3读写Excel文件，使用xlrd,xlsxwriter,openpyxl3种方式读写实例与优劣,需要的朋友可以参考下2020-02-02
这篇文章主要介绍了Python中正则表达式的详细教程,正则表达式是Python学习进阶当中的重要内容,需要的朋友可以参考下2021-10-10
这篇文章主要介绍了python-字典dict和集合set,字典是python中的一种数据结构。集合(set)与字典相同均存储key，但只存储key，key不可重复，所以set中的值不可重复，而且是无序，下面来看看更多相关内容吧2021-12-12
Python的speech_recognition库如何将声音转为文字
这篇文章主要介绍了通过Python的speech_recognition库将声音转为文字,将声音转为文字，除了speech_recognition库，还要依赖pyaudio库，而且mac用户需要安装PortAudio，本文给大家介绍的非常详细，需要的朋友可以参考下2023-05-05
本篇文章我们为大家整理了在Python程序员面试中被问的最多的10道题，我们还给出了最简便的解决办法，一起学习下。2017-12-12
最新评论