我想从数据帧的列中删除停用词。 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,因此应该将其拆分。
我尝试过:
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。 但它无法正常工作。反之亦然,我尝试将数据帧设置为序列,然后循环遍历,但也没有用。
感谢您的帮助。
答案 0 :(得分:2)
replace
(本身)在这里不太适合,因为您要执行 partial 字符串替换。您需要基于正则表达式的替换。
一种简单的解决方案,当停用词的数量可控时,则使用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,请使用列表理解。
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