有什么办法可以过滤掉python中的单词吗？ [关闭]

Question

有什么方法可以过滤掉python中的文章（the、a、an）、代词、连词（and、but）和其他非主题词？或者有没有可以提供帮助的python包？

我知道我可以使用过滤器和其他东西，但我需要一个长长的所有单词列表。是否已经有包含这些单词的包？我需要摆脱这些词，以便能够处理删除这些词的列表所消耗的内存会轻得多。

谢谢

Answer 1

您要查找的术语称为停用词删除。

一个强大的库来完成这个是NLTK

它可以处理更复杂的输入文本标记化，轻松删除停用词等等：

import nltk
from nltk.corpus import stopwords

sentence = """At eight o'clock on Thursday morning ... Arthur didn't feel very good."""
tokens = nltk.word_tokenize(sentence)

filtered_tokens = [w for w in tokens if not w.lower() in stopwords.words('english')]

print tokens
print filtered_tokens

这将打印：

['At', 'eight', "o'clock", 'on', 'Thursday', 'morning', '...', 'Arthur', 'did', "n't", 'feel', 'very', 'good', '.']
['eight', "o'clock", 'Thursday', 'morning', '...', 'Arthur', "n't", 'feel', 'good', '.']