功能介绍

停用词过滤，是文本分析中一个预处理方法。它的功能是过滤分词结果中的噪声（例如：的、是、啊等）。

参数说明

名称 中文名称 描述 类型 是否必须？ 默认值
caseSensitive 是否大小写敏感 大小写敏感 Boolean false
stopWords 用户自定义停用词表 用户自定义停用词表 String[] null
selectedCol 选中的列名 计算列对应的列名 String ✓
outputCol 输出结果列 输出结果列列名，可选，默认null String null
reservedCols 算法保留列名 算法保留列 String[] null

脚本示例

脚本代码

  1. # -*- coding=UTF-8 -*-
  2. data = np.array([
  3.     [0, u'二手旧书:医学电磁成像'],
  4.     [1, u'二手美国文学选读（ 下册 ）李宜燮南开大学出版社 9787310003969'],
  5.     [2, u'二手正版图解象棋入门/谢恩思主编/华龄出版社'],
  6.     [3, u'二手中国糖尿病文献索引'],
  7.     [4, u'二手郁达夫文集（ 国内版 ）全十二册馆藏书']
  8. ])
  10. df = pd.DataFrame({"id": data[:, 0], "text": data[:, 1]})
  11. inOp = dataframeToOperator(df, schemaStr='id long, text string', op_type='batch')
  13. pipeline = (
  14.     Pipeline()
  15.     .add(Segment().setSelectedCol("text"))
  16.     .add(StopWordsRemover().setSelectedCol("text"))
  17. )
  18. pipeline.fit(inOp).transform(inOp).print()

脚本运行结果

  1.    id                                             text
  2. 0   0                                   二手 旧书 医学 电磁 成像
  3. 1   1  二手 美国 文学 选读   下册   李宜燮 南开大学 出版社   9787310003969
  4. 2   2                    二手 正版 图解 象棋 入门 谢恩 思 主编 华龄 出版社
  5. 3   3                                  二手 中国 糖尿病 文献 索引
  6. 4   4                    二手 郁达夫 文集   国内 版   全 十二册 馆藏 书