1

传递df[language]适用于停用词，但不适用于雪球词干分析器。有没有办法解决这个问题？

到目前为止，我还没有真正找到任何线索...

import nltk
from nltk.corpus import stopwords
import pandas as pd
import re

df = pd.DataFrame([['A sentence in English', 'english'], ['En mening på svenska', 'swedish']], columns = ['text', 'language'])

def tokenize(text):
    tokens = re.split('\W+', text)
    return tokens

def remove_stopwords(tokenized_list, language):
    stopword = nltk.corpus.stopwords.words(language)
    text = [word for word in tokenized_list if word not in stopword]
    return text

def stemming(tokenized_text, l):
    ss = nltk.stem.SnowballStemmer(l)
    text = [ss.stem(word) for word in tokenized_text]
    return text

df['text_tokenized'] = df['text'].apply(lambda x: tokenize(x.lower()))
df['text_nostop'] = df['text_tokenized'].apply(lambda x: remove_stopwords(x, df['language']))
df['text_stemmed'] = df['text_nostop'].apply(lambda x: stemming(x, df['language']))

我希望它能够像删除停用词一样使用英语和瑞典语作为语言进行雪球词干提取。我收到error如下消息：

ValueError：Series 的真值不明确。使用 a.empty、a.bool()、a.item()、a.any() 或 a.all()。

4

1 回答 1

2

试试这个。

df['text_stemmed']=df.apply(lambda x: stemming(x['text_nostop'], x['language']), axis=1)

编辑：当您在apply特定列df['text_tokenized'].apply(lambda x: ...)（text_tokenized如df['language']

也就是说，当您尝试时lambda x: remove_stopwords(x, df['language'])，返回的值df['language']不是相应行的某个“语言”值，而是包含“英语”和“瑞典语”的熊猫系列。

0    english
1    swedish

所以你的第二个代码apply也应该改变：

df['text_nostop'] = df.apply(lambda x: remove_stopwords(x['text_tokenized'], x['language']), axis=1)
于 2019-08-29T13:11:35.117 回答