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 -*-
  3. data = np.array([
  4.     [0, u'二手旧书:医学电磁成像'],
  5.     [1, u'二手美国文学选读（ 下册 ）李宜燮南开大学出版社 9787310003969'],
  6.     [2, u'二手正版图解象棋入门/谢恩思主编/华龄出版社'],
  7.     [3, u'二手中国糖尿病文献索引'],
  8.     [4, u'二手郁达夫文集（ 国内版 ）全十二册馆藏书']
  9. ])
  11. df = pd.DataFrame({"id": data[:, 0], "text": data[:, 1]})
  12. inOp = dataframeToOperator(df, schemaStr='id long, text string', op_type='batch')
  14. segment = SegmentBatchOp().setSelectedCol("text").setOutputCol("segment")
  16. segment.linkFrom(inOp)
  18. remover = StopWordsRemoverBatchOp().setSelectedCol("segment").setOutputCol("remover")
  20. BatchOperator.collectToDataframe(remover.linkFrom(segment))

脚本运行结果

  1. id    text    segment    remover
  2. 0    0    二手旧书:医学电磁成像    二手 旧书 : 医学 电磁 成像    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    二手 美国 文学 选读 （ 下册 ） 李宜燮 南开大学 出版社 97873100...    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    二手 正版 图解 象棋 入门 / 谢恩 思 主编 / 华龄 出版社    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    二手 中国 糖尿病 文献 索引    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    二手 郁达夫 文集 （ 国内 版 ） 全 十二册 馆藏 书    二手 郁达夫 文集 国内 版 全 十二册 馆藏 书