Python-ストップワードを削除

ストップワードは、文にあまり意味を追加しない英語の単語です。文の意味を犠牲にすることなく、それらを安全に無視することができます。たとえば、the、he、haveなどの単語。このような単語は、コーパスという名前のコーパスにすでに取り込まれています。まず、Python環境にダウンロードします。

import nltk
nltk.download('stopwords')

英語のストップワードを含むファイルをダウンロードします。

ストップワードの確認

from nltk.corpus import stopwords
stopwords.words('english')
print stopwords.words() [620:680]

上記のプログラムを実行すると、次の出力が得られます-

[u'your', u'yours', u'yourself', u'yourselves', u'he', u'him', u'his', u'himself', u'she', 
u"she's", u'her', u'hers', u'herself', u'it', u"it's", u'its', u'itself', u'they', u'them', 
u'their', u'theirs', u'themselves', u'what', u'which', u'who', u'whom', u'this', 
u'that', u"that'll", u'these', u'those', u'am', u'is', u'are', u'was', u'were', u'be',
u'been', u'being', u'have', u'has', u'had', u'having', u'do', u'does', u'did', u'doing',
u'a', u'an', u'the', u'and', u'but', u'if', u'or', u'because', u'as', u'until',
u'while', u'of', u'at']

これらのストップワードを持つ英語以外の各種言語は以下のとおりです。

from nltk.corpus import stopwords
print stopwords.fileids()

上記のプログラムを実行すると、次の出力が得られます-

[u'arabic', u'azerbaijani', u'danish', u'dutch', u'english', u'finnish', 
u'french', u'german', u'greek', u'hungarian', u'indonesian', u'italian', 
u'kazakh', u'nepali', u'norwegian', u'portuguese', u'romanian', u'russian',
u'spanish', u'swedish', u'turkish']

以下の例を使用して、ストップワードが単語のリストからどのように削除されるかを示します。

from nltk.corpus import stopwords
en_stops = set(stopwords.words('english'))
all_words = ['There', 'is', 'a', 'tree','near','the','river']
for word in all_words: 
    if word not in en_stops:
        print(word)

上記のプログラムを実行すると、次の出力が得られます-

There
tree
near
river