返回目录：office365
全文共3342字，预计学习时长10分钟
来源：Pexels
我们常常认为在预处理文本时，去除停用词是很明智的一种操作。
的确，我同意这一做法，但是我们应该谨慎决定该去除哪类停用词。
比如说，去除停用词最常规的方法是使用NLTK停用词表。
一起来看看nltk中的停用词列表吧。
from nltk.corpus import stopwords
print(stopwords.words('english'))
stopwords.py hosted with ❤ by GitHub
['i', 'me', 'my', 'myself', 'we', 'our', 'ours','ourselves', 'you', "you're", "you've", "you'll","you'd", 'your', 'yours', 'yourself', 'yourselves', 'he', 'him','his', 'himself', 'she', "she's", 'her', 'hers', 'herself', 'it',"it's", 'its', 'itself', 'they', 'them', 'their', 'theirs','themselves', 'what', 'which', 'who', 'whom', 'this', 'that',"that'll", 'these', 'those', 'am', 'is', 'are', 'was', 'were', 'be','been', 'being', 'have', 'has', 'had', 'having', 'do', 'does', 'did', 'doing','a', 'an', 'the', 'and', 'but', 'if', 'or', 'because', 'as', 'until', 'while','of', 'at', 'by', 'for', 'with', 'about', 'against', 'between', 'into','through', 'during', 'before', 'after', 'above', 'below', 'to', 'from', 'up','down', 'in', 'out', 'on', 'off', 'over', 'under', 'again', 'further', 'then','once', 'here', 'there', 'when', 'where', 'why', 'how', 'all', 'any', 'both','each', 'few', 'more', 'most', 'other', 'some', 'such', 'no', 'nor', 'not','only', 'own', 'same', 'so', 'than', 'too', 'very', 's', 't', 'can', 'will','just', 'don', "don't", 'should', "should've", 'now', 'd','ll', 'm', 'o', 're', 've', 'y', 'ain', 'aren', "aren't", 'couldn',"couldn't",'didn', "didn't", 'doesn', "doesn't", 'hadn',"hadn't", 'hasn', "hasn't", 'haven', "haven't",'isn', "isn't", 'ma', 'mightn', "mightn't", 'mustn',"mustn't", 'needn', "needn't", 'shan', "shan't",'shouldn', "shouldn't", 'wasn', "wasn't", 'weren',"weren't", 'won', "won't", 'wouldn', "wouldn't"]
现在，请注意这些加粗的单词。
它们有什么问题吗？
下面是一个例子：
假设我们要创建一个对产品评论进行情感分析的模型。鉴于数据集很小，因此可以自己手动标识情感态度。让我们来研究一下数据集中的一些评论。
1. The product is really very good. — POSITIVE
（这款产品真的很棒。——积极）
2. The products seems to be good. — POSITIVE
（这款产品看起来不错。——积极）
3. Good product. I really liked it.— POSITIVE
（不错的产品。我真的很喜欢。——积极）
4. I didn’t like the product. —NEGATIVE
（我不喜欢这款产品。——消极）
5. The product is not good. — NEGATIVE
（这款产品不好。——消极）
接下来，对数据进行预处理，去除所有的停用词。
现在，来看看上述范例会发生什么变化吧。
1. product really good. — POSITIVE
（产品真的很棒。——积极）
2. products seems good. — POSITIVE
（产品看起来不错。——积极）
3. Good product. really liked. —POSITIVE
（不错的产品，真的很喜欢。——积极）
4. like product. — NEGATIVE
（喜欢产品。——消极）
5. product good. — NEGATIVE
（产品好。——消极）
看看这些负面评价现在表达的含义。
可怕吧？
来源：Pexels
那些正面评价似乎并未受到影响，但是负面评价的整体意思都变了。如果我们用这些数据去构建模型，那最后得出的结果肯定不理想。
这种情况常有发生，当去除停用词后，句子的整个意思都会改变。
如果你使用的是基础的NLP技术，如BOW, Count Vectorizer或TF-IDF（词频和逆文档频率），那么去除停用词是明智的选择，因为在这些模型中，停用词会带来干扰。但如果你使用的是LSTM或其他模型，这些模型会捕获单词的语义，且单词的含义基于前文语境，那么此时保留停用词就十分必要了。
现在，回到最初的问题——去除停用词真的能提高模型性能吗？
就如我之前所说，这取决于去除的是哪类停用词。如果不去除像I, my, me等停用词的话，数据集就会受到更多干扰。
来源：Pexels
那么，有什么解决办法呢？可以创建一个合适的停用词列表，但问题是要如何在不同的项目中重复使用这个列表。
这就是为什么创建Python包nlppreprocess，这个包去除了所有无用的停用词，此外，还可以更加高效地整理文本。
发挥nlppreprocess包功能的最佳方法是将其与pandas 组合使用：
from nlppreprocess importNLP
import pandas as pd
nlp = NLP()
df = pd.read_csv('some_file.csv')
df['text'] = df['text'].apply(nlp.process)
viewrawdemo.py hosted with ❤ by GitHub
现在，如果我们用nlppreprocess包对之前的样本进行预处理，可以得到如下结果：
1. product really very good. — POSITIVE
（产品真的很棒。——积极）
2.products seems good. — POSITIVE
（产品看起来不错。——积极）
3. Good product. really liked. —POSITIVE
（不错的产品，真的很喜欢。——积极）
4. not like product. — NEGATIVE
（不喜欢产品。——消极）
5. product not good. — NEGATIVE
（产品不好。——消极）
如此看来，用nlppreprocess包去除停用词并进行其他预处理似乎效果不错。
你觉得的？
留言点赞关注
我们一起分享AI学习与发展的干货
如转载，请后台留言，遵守转载规范