Question

我正在尝试从以下从.csv读取的DataFrame中删除停用词。从根本上说，这是一列很长的洗发精及其在洗发香波标签数据集中的出现频率。

目标是当“ word1”或“ word2”列中出现停用词时，删除整行。

                        word1                      word2  frequency
0                       nicht                         in       3069
1                        wenn                        sie       2729
2                         von                    kindern       2108
3                         die                      hände       2094
4                        darf                      nicht       2091
5                       hände                        von       2091
6                      citric                       acid       2088
7                     kindern                   gelangen       2082
8                         sie                      einen       2053
9                         mit                        den       2023
10                       eine                   reaktion       1976

但是，到目前为止，当它与nltk中的德语停用词匹配时，我什至还没有删除仅基于“ word1”列的行。

我使用的代码基于先前回答here的问题。

import pandas as pd
from nltk.corpus import stopwords

stop = stopwords.words('german')

df = pd.read_table("myfile.csv", sep=";")
df.columns = ["word1","word2","frequency"]

df["word1"] = df["word1"].apply(lambda x: ' '.join([word for word in x.split() if word not in (stop)]))

print(df)

我得到的错误是： AttributeError：“ list”对象没有属性“ split”

我完全理解我在这里因为不了解所调用的函数而有错。在一边学习课程的同时，我正在尝试加深对pandas＆nltk的理解，但这并没有真正的意义：）

一旦清除了DataFrame的停用词，目标就是将其写入新的CSV。但这是在以后的阶段。

编辑：标题更改以供澄清

Answer 1

您可以为此使用列表理解。在这里，创建了一个新列 temp 。如果 word1 或 word2 中的任何一个位于 stop 中，则 temp 的值为 False 。。删除 temp 值为 False 的行。最后，删除该 temp 列，然后将其写入新的csv文件。希望这会有所帮助。

import pandas as pd
from nltk.corpus import stopwords

stop = stopwords.words('english')
df = pd.read_csv("myfile.csv", sep=";")


df["temp"] = [True  if row.word1 not in stop and row.word2 not in stop else False for index, row in df.iterrows()]
df = df[df.temp == True]
df.drop('temp', axis=1, inplace=True)

df.to_csv("myfile_out.csv", sep=';')

Answer 2

应用功能不会删除任何行。它只是将一个函数映射到Series df [“ word1”] 的每个元素上。另外，您在“ word1” 列中的输入似乎是 list 类型，而不是 string 类型。

但是，如果 df 是一个熊猫数据框，其中包含带有字符串的“ word1” 列，只需执行

df = df[~df["word1"].isin(stop)]

...，然后从df中删除所有条目，其中“ word1”处于停止位置。这里〜是取反运算符，因此它表示不是。 some_series.isin（some_iterable）方法返回具有与 some_series 相同索引的Series，其中每个条目都是一个布尔值，表示是否在 some_series 包含在 some_iterable 中。

通常，您可以使用以下方式从DataFrame中选择切片：

df[Series of booleans]

其中“系列”是指熊猫系列。由于pandas Series与比较运算符合作，因此您可以做类似的事情

df[df["frequency"] > 2060]

返回一个DataFrame，该DataFrame仅包含频率值大于2060的行。

编辑：我不确定下载是否来自您，但是如果此处提供的代码不起作用，则应显示.csv文件的几行内容，因为仅从代码中我们就可以不知道您的DataFrame到底是什么样子。

干杯，西拉斯

从CSV DataFrame行中删除NLTK停用词

2 个答案: