快捷導(dǎo)航

python基礎(chǔ)之停用詞過(guò)濾詳解

更新時(shí)間：2021年04月20日 15:55:19 作者：一無(wú)所知的程序員

這篇文章主要介紹了python基礎(chǔ)之停用詞過(guò)濾詳解,文中有非常詳細(xì)的代碼示例,對(duì)正在學(xué)習(xí)python基礎(chǔ)的小伙伴們有很好地幫助,需要的朋友可以參考下

一、什么是停用詞

在漢語(yǔ)中，有一類沒(méi)有多少意義的詞語(yǔ)，比如組詞“的”，連詞“以及”、副詞“甚至”，語(yǔ)氣詞“吧”，被稱為停用詞。一個(gè)句子去掉這些停用詞，并不影響理解。所以，進(jìn)行自然語(yǔ)言處理時(shí)，我們一般將停用詞過(guò)濾掉。

而HanLP庫(kù)提供了一個(gè)小巧的停用詞字典，它位于Lib\site-packages\pyhanlp\static\data\dictionary目錄中，名字為：stopwords.txt。該文本收錄了常見(jiàn)的中英文無(wú)意義的詞匯，每行一個(gè)詞語(yǔ)。示例如下：

我們?cè)谶M(jìn)行自然語(yǔ)言處理時(shí)，可以用BinTrie、DoubleArrayTrie和AhoCorasickDoubleArrayTrie中的任意一個(gè)來(lái)存儲(chǔ)詞典。考慮到該詞典中都是短語(yǔ)且比較多，用雙數(shù)組字典樹(shù)更劃算，處理時(shí)間更快。

二、加載停用詞字典

通過(guò)前文的介紹，我們知道了使用雙數(shù)組字典樹(shù)加載停用詞字典更劃算。下面，我們來(lái)加載其停用詞，并返回鍵值對(duì)結(jié)構(gòu)。代碼如下：

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)

三、刪除停用詞

通過(guò)上面的停用詞加載，我們獲取了DoubleArrayTrie樹(shù)結(jié)構(gòu)的詞匯。如果要?jiǎng)h除停用詞，可以直接使用分詞后的結(jié)果剔除停用詞即可。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)]

四、分詞以及刪除停用詞

在前面的博文中，我們已經(jīng)學(xué)會(huì)了如何分詞，現(xiàn)在我們又學(xué)會(huì)了如何剔除停用詞。這里，我們將兩者結(jié)合起來(lái)，實(shí)現(xiàn)分詞效果。代碼如下：

if __name__ == "__main__":
    HanLP.Config.ShowTermNature=False
    trie=load_dictionary(HanLP.Config.CoreStopWordDictionaryPath)
    text="今天就這樣吧！明天我們?cè)谡f(shuō)可以嗎？"
    segment=DoubleArrayTrieSegment()
    termlist=segment.seg(text)
    print("分詞結(jié)果",termlist)
    print("去掉停用詞",remove_stopwords(termlist,trie))

運(yùn)行之后，得到如下結(jié)果：

結(jié)果

五、直接刪除停用詞（不分詞）

對(duì)應(yīng)上面的結(jié)果，我們先分詞在刪除停用詞。但是，有時(shí)候我們也喜歡先刪除停用詞在進(jìn)行分詞。下面，我們來(lái)實(shí)現(xiàn)直接刪除停用詞。

代碼如下：

#直接過(guò)濾方法
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 = "今天就這樣吧！明天我們?cè)谡f(shuō)可以嗎？"
    segment = DoubleArrayTrieSegment()
    termlist = segment.seg(text)
    print("分詞結(jié)果", termlist)
    print("去掉停用詞", remove_stopwords(termlist, trie))
    print("不分詞去掉停用詞", direct_remove_stopwords(text, "**", trie))

運(yùn)行之后，效果如下：

運(yùn)行結(jié)果