有什么方法可以在python中过滤掉单词吗？

Question

有什么方法可以过滤掉python中的文章（a，a，an），代词，连词（和，但是）和其他非主题词吗？或者有一个python包可以提供帮助吗？

我知道我可以使用过滤器和东西，但我需要一长串的所有单词。是否有包含这些词的包？我需要摆脱这些单词，以便消耗的内存能够处理列表，删除的单词会更轻。

由于

Answer 1

您要查找的术语称为停用词删除。

实现此目标的强大库是NLTK

它可以处理输入文本的更复杂的标记化，轻松地删除停用词等等：

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', '.']