停用词过滤 (StopWordsRemover)

Java 类名：com.alibaba.alink.pipeline.nlp.StopWordsRemover

Python 类名：StopWordsRemover

功能介绍

过滤文本中的噪声词语（例如：的、是、啊等）。

使用方式

文本列通过参数 selectedCol 指定，需要是空格分隔的词语，可以使用分词（Segment）组件的输出结果列。
可以通过参数 caseSensitive 设置过滤时是否大小写敏感。

噪声词表可以从这里
查看。通过参数 stopWords 可以添加额外的噪声词语。

参数说明

名称	中文名称	描述	类型	是否必须？	默认值
selectedCol	选中的列名	计算列对应的列名	String	✓
caseSensitive	是否大小写敏感	大小写敏感	Boolean		false
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
stopWords	用户自定义停用词表	用户自定义停用词表	String[]		null
numThreads	组件多线程线程个数	组件多线程线程个数	Integer		1

代码示例

Python 代码

df = pd.DataFrame([
    [0, u'二手旧书:医学电磁成像'],
    [1, u'二手美国文学选读（ 下册 ）李宜燮南开大学出版社 9787310003969'],
    [2, u'二手正版图解象棋入门/谢恩思主编/华龄出版社'],
    [3, u'二手中国糖尿病文献索引'],
    [4, u'二手郁达夫文集（ 国内版 ）全十二册馆藏书']
])

inOp = BatchOperator.fromDataframe(df, schemaStr='id long, text string')

pipeline = Pipeline() \
    .add(Segment().setSelectedCol("text")) \
    .add(StopWordsRemover().setSelectedCol("text"))
pipeline.fit(inOp).transform(inOp).print()

Java 代码

import org.apache.flink.types.Row;

import com.alibaba.alink.operator.batch.BatchOperator;
import com.alibaba.alink.operator.batch.source.MemSourceBatchOp;
import com.alibaba.alink.pipeline.Pipeline;
import com.alibaba.alink.pipeline.nlp.Segment;
import com.alibaba.alink.pipeline.nlp.StopWordsRemover;
import org.junit.Test;

import java.util.Arrays;
import java.util.List;

public class StopWordsRemoverTest {
	@Test
	public void testStopWordsRemover() throws Exception {
		List <Row> df = Arrays.asList(
			Row.of(0, "二手旧书:医学电磁成像"),
			Row.of(1, "二手美国文学选读（ 下册 ）李宜燮南开大学出版社 9787310003969"),
			Row.of(2, "二手正版图解象棋入门/谢恩思主编/华龄出版社"),
			Row.of(3, "二手中国糖尿病文献索引"),
			Row.of(4, "二手郁达夫文集（ 国内版 ）全十二册馆藏书")
		);
		BatchOperator <?> inOp = new MemSourceBatchOp(df, "id int, text string");
		Pipeline pipeline = new Pipeline()
			.add(new Segment().setSelectedCol("text"))
			.add(new StopWordsRemover().setSelectedCol("text"));
		pipeline.fit(inOp).transform(inOp).print();
	}
}

运行结果

id	text
0	二手旧书医学电磁成像
1	二手美国文学选读下册李宜燮南开大学出版社 9787310003969
2	二手正版图解象棋入门谢恩思主编华龄出版社
3	二手中国糖尿病文献索引
4	二手郁达夫文集国内版全十二册馆藏书

ALinkLab