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

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