Question

我的数据框有两列（单词，并计算单词的数量），按计数顺序排列：

    Word            Count
0   the             5337
1   boy             895
2   who             5891
3   lived           3150
4   mr              3443
... ... ...
6049    manner      3256
6050    holiday     2702
6051    347         276
6052    spreading   4937
6053    348         277

我想要的是删除停用词和数字（例如“ 347”和“ 348”）。例如在示例中，删除第0、2、6051、6053行（“ the”，“ who”，“ 347”，“ 348”）。

这是我创建数据框的方式：

count_words_dict = {'the': 5337, 'boy': 895, 'who': 5891, 'lived': 3150, 'mr': 3443, 'and': 462, 'mrs': 3444, 'dursley': 1797, 'of': 3618, 'number': 3599, 'four': 2240, 'privet': 4007, 'drive': 1749, 'were': 5842, 'proud': 4034, 'to': 5431, 'say': 4397, 'that': 5336, 'they': 5346}
df = pd.DataFrame(list(count_words_dict.items()), columns = ['Word','Count'])
df.sort_values(by=['Count'], ascending=False)
df.reset_index(drop=True)

我也得到了停用词：

!pip install nltk
import nltk
nltk.download("stopwords")

from nltk.corpus import stopwords
stops =  set(stopwords.words('english'))

但是如何从DataFrame中删除那些停用词（最好是数字）？

我在this blog post中看到，他们设法从特朗普的tweets数据集中删除了停用词，但是我没有设法使他的代码在我的数据集中工作。这是他的代码：

from sklearn.feature_extraction.text import CountVectorizer
from nltk.corpus import stopwords
stops =  set(stopwords.words('english')+['com'])
co = CountVectorizer(stop_words=stops)
counts = co.fit_transform(data.Tweet_Text)
pd.DataFrame(counts.sum(axis=0),columns=co.get_feature_names()).T.sort_values(0,ascending=False).head(50)

Answer 1

将pandas.Series.isin与pandas.Series.str.isnumeric配合使用，首先从stopwords列表中删除匹配的单词，然后从Word列中排除数值：

count_words_dict = {'the': 5337, 'boy': 895, 'who': 5891, 'lived': 3150, 'mr': 3443, 'and': 462, 'mrs': 3444, 'dursley': 1797, 
                    'of': 3618, 'number': 3599, 'four': 2240, 'privet': 4007, 'drive': 1749, 'were': 5842, 'proud': 4034, 
                    'to': 5431, 'say': 4397, 'that': 5336, 'they': 5346, '345':200, '555':1000}

df = pd.DataFrame(list(count_words_dict.items()), columns = ['Word','Count'])
df.sort_values(by=['Count'], ascending=False)
df.reset_index(drop=True)

from nltk.corpus import stopwords
stops =  list(stopwords.words('english'))
df = df[~df['Word'].isin(stops)]
df = df[~df['Word'].str.isnumeric()]

DataFrame-删除“单词”列中包含停用词或数字的行

1 个答案: