R textrecipes step_stopwords 过滤标记变量的停用词

step_stopwords() 创建配方步骤的规范，该步骤将过滤 token 变量中的停用词。

用法

step_stopwords(
  recipe,
  ...,
  role = NA,
  trained = FALSE,
  columns = NULL,
  language = "en",
  keep = FALSE,
  stopword_source = "snowball",
  custom_stopword_source = NULL,
  skip = FALSE,
  id = rand_id("stopwords")
)

参数

recipe: 一个recipe 对象。该步骤将添加到此配方的操作序列中。
...: 一个或多个选择器函数用于选择受该步骤影响的变量。有关更多详细信息，请参阅recipes::selections()。
role: 由于没有创建新变量，因此此步骤未使用。
trained: 指示预处理数量是否已估计的逻辑。
columns: 将由 terms 参数(最终)填充的变量名称字符串。在 recipes::prep.recipe() 训练该步骤之前，这是 NULL 。
language: 根据 ISO 639-1 编码方案指示停用词语言的字符。
keep: 一个合乎逻辑的。指定是保留停用词还是丢弃它们。
stopword_source: 指示停用词源的字符，如 stopwords::stopwords_getsources 中列出的。
custom_stopword_source: 一个字符向量，用于指示满足用户特定问题的自定义单词列表。
skip: 一个合乎逻辑的。当recipes::bake.recipe() 烘焙食谱时是否应该跳过此步骤？虽然所有操作都是在 recipes::prep.recipe() 运行时烘焙的，但某些操作可能无法对新数据进行(例如处理结果变量)。使用 skip = FALSE 时应小心。
id: 该步骤特有的字符串，用于标识它。

值

recipe 的更新版本，其中新步骤添加到现有步骤(如果有)的序列中。

细节

停用词是有时在自然语言处理任务之前被删除的单词。虽然停用词通常是指该语言中最常见的单词，但没有通用的停用词列表。

参数 custom_stopword_source 允许您传递字符向量进行过滤。使用 keep 参数，可以指定保留单词而不是删除单词，从而允许您使用这两个参数的组合来选择单词。

整理

当您tidy()此步骤时，会出现一个包含列terms(选择的选择器或变量)、value(停用词列表名称)和keep(是否删除或保留停用词)的小标题。

箱重

底层操作不允许使用案例权重。

也可以看看

step_tokenize() 将字符转换为tokens

令牌修改的其他步骤： step_lemma() 、 step_ngram() 、 step_pos_filter() 、 step_stem() 、 step_tokenfilter() 、 step_tokenmerge()

例子

library(recipes)
library(modeldata)
data(tate_text)
tate_rec <- recipe(~., data = tate_text) %>%
  step_tokenize(medium) %>%
  step_stopwords(medium)

tate_obj <- tate_rec %>%
  prep()

bake(tate_obj, new_data = NULL, medium) %>%
  slice(1:2)
#> # A tibble: 2 × 1
#>       medium
#>    <tknlist>
#> 1 [6 tokens]
#> 2 [2 tokens]

bake(tate_obj, new_data = NULL) %>%
  slice(2) %>%
  pull(medium)
#> <textrecipes_tokenlist[1]>
#> [1] [2 tokens]
#> # Unique Tokens: 2

tidy(tate_rec, number = 2)
#> # A tibble: 1 × 4
#>   terms  value keep  id             
#>   <chr>  <chr> <lgl> <chr>          
#> 1 medium NA    NA    stopwords_Mn2FO
tidy(tate_obj, number = 2)
#> # A tibble: 1 × 4
#>   terms  value    keep  id             
#>   <chr>  <chr>    <lgl> <chr>          
#> 1 medium snowball FALSE stopwords_Mn2FO

# With a custom stop words list

tate_rec <- recipe(~., data = tate_text) %>%
  step_tokenize(medium) %>%
  step_stopwords(medium, custom_stopword_source = c("twice", "upon"))
tate_obj <- tate_rec %>%
  prep(traimomg = tate_text)

bake(tate_obj, new_data = NULL) %>%
  slice(2) %>%
  pull(medium)
#> <textrecipes_tokenlist[1]>
#> [1] [3 tokens]
#> # Unique Tokens: 3

源代码：R/stopwords.R

相关用法

注：本文由纯净天空筛选整理自等大神的英文原创作品 Filtering of Stop Words for Tokens Variables。非经特殊声明，原始代码版权归原作者所有，本译文未经允许或授权，请勿转载或复制。