使用 pandas 去除停用词

Question

我想从数据框的列中删除停用词。 列内有需要拆分的文本。

例如，我的数据框如下所示：

ID   Text
1    eat launch with me
2    go outside have fun

我想在text column 上应用停用词，所以它应该被拆分。

我试过这个：

for item in cached_stop_words:
    if item in df_from_each_file[['text']]:
        print(item)
        df_from_each_file['text'] = df_from_each_file['text'].replace(item, '')

所以我的输出应该是这样的：

ID   Text
1    eat launch 
2    go fun

这意味着停用词已被删除。 但它不能正常工作。我也尝试反之亦然，将我的数据框设为系列，然后循环遍历它，但我也没有工作。

感谢您的帮助。

Answer 1

replace（单独）在这里不太适合，因为您想执行 部分 字符串替换。您想要基于正则表达式的替换。

当您的停用词数量可控时，一个简单的解决方案是使用str.replace。

p = re.compile("({})".format('|'.join(map(re.escape, cached_stop_words))))
df['Text'] = df['Text'].str.lower().str.replace(p, '')

df
   ID               Text
0   1       eat launch  
1   2   outside have fun

如果性能很重要，请使用列表推导式。

cached_stop_words = set(cached_stop_words)
df['Text'] = [' '.join([w for w in x.lower().split() if w not in cached_stop_words]) 
    for x in df['Text'].tolist()]

df
   ID              Text
0   1        eat launch
1   2  outside have fun