如何使用Pandas数据框文本列中的NLTK语料库删除英语停用词？

Question

我正在寻找一种解决方案，以使用Pandas数据框文本列上的NLTK语料库删除英语停用词。我们可以使用dataframe apply方法来做到吗，如果可以，请分享一下？

stop_words = set(stopwords.words('english'))
data['text'] = data['text'].apply(lambda text:  " ".join(w) for w in text.lower().split() if w not in stop_words)

如果有人能回答，谢谢并感谢。

Answer 1

您可以标记文本列（或简单地分成单词列表），然后使用map或apply方法删除停用词。

例如：

data = pd.DataFrame({'text': ['a sentence can have stop words', 'stop words are common words like if, I, you, a, etc...']})
data
                                                text
0                     a sentence can have stop words
1  stop words are common words like if, I, you, a...

from nltk.corpus import stopwords
from nltk.tokenize import RegexpTokenizer

tokenizer = RegexpTokenizer('\w+')
stop_words = stopwords.words('english')

def clean(x):
    doc = tokenizer.tokenize(x.lower())
    return [w for w in doc if w in stop_words]

data.text.map(clean)
0                    [sentence, stop, words]
1    [stop, words, common, words, like, etc]
Name: text, dtype: object