• 功能介绍
  • 参数说明
  • 脚本示例
    • 脚本代码
    • 脚本运行结果

    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. ])
    9. df = pd.DataFrame({"id": data[:, 0], "text": data[:, 1]})
    10. inOp = dataframeToOperator(df, schemaStr='id long, text string', op_type='batch')
    11. pipeline = (
    12. Pipeline()
    13. .add(Segment().setSelectedCol("text"))
    14. .add(StopWordsRemover().setSelectedCol("text"))
    15. )
    16. 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 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 十二册 馆藏