为什么在使用 Python 的 wordcloud 库时不会从词云中排除停用词？

Question

我想在我的词云中排除“The”、“The”和“My”。我正在使用 python 库“wordcloud”，如下所示，并使用这 3 个额外的停用词更新 STOPWORDS 列表，但 wordcloud 仍然包含它们。我需要更改什么才能排除这三个词？

我导入的库是：

import numpy as np
import pandas as pd
from wordcloud import WordCloud, STOPWORDS
import matplotlib.pyplot as plt

我已经尝试在下面的 STOPWORDS 集中添加元素，但是，即使成功添加了单词，wordcloud 仍然显示我添加到 STOPWORDS 集中的 3 个单词：

len(STOPWORDS) 输出：192

然后我跑了：

STOPWORDS.add('The')
STOPWORDS.add('They')
STOPWORDS.add('My')

然后我跑了：

len(STOPWORDS) 输出：195

我正在运行 python 版本 3.7.3

我知道我可以在运行 wordcloud 之前修改文本输入以删除 3 个单词（而不是尝试修改 WordCloud 的 STOPWORDS 集），但我想知道 WordCloud 是否存在错误，或者我是否没有正确更新/使用 STOPWORDS？

Answer 1

Wordcloud 的默认设置是collocations=True，因此云中包含两个相邻单词的频繁短语 - 并且对于您的问题很重要，搭配使用停用词的删除是不同的，因此例如“谢谢”是一个有效的搭配并且可能即使“你”在默认停用词中，也会出现在生成的云中。只含有禁用词搭配被删除。

听起来不无道理的理由是，如果在构建搭配列表之前删除停用词，那么例如“非常感谢”将提供“非常感谢”作为搭配，我绝对不想要。

因此，为了让您的停用词按照您的预期工作，即云中根本没有停用词，您可以collocations=False像这样使用：

my_wordcloud = WordCloud(
    stopwords=my_stopwords,
    background_color='white', 
    collocations=False, 
    max_words=10).generate(all_tweets_as_one_string)

更新：

• 使用搭配 False，停用词全部小写，以便在删除它们时与小写文本进行比较 - 因此无需添加“The”等。
• 使用搭配 True（默认），而停用词是小写的，当寻找所有停用词搭配来删除它们时，源文本不是小写的，所以The文本中的蛋在被删除时不会the被删除 - 这就是为什么@Balaji Ambresh代码有效，您会看到云中没有上限。这可能是 Wordcloud 中的一个缺陷，不确定。但是，The在停用词中添加 eg不会影响这一点，因为停用词总是小写，无论搭配如何 True/False

这在源代码中都是可见的:-)

例如，collocations=True我得到的默认值：

并与collocations=False我得到：

代码：

from wordcloud import WordCloud
from matplotlib import pyplot as plt


text = "The bear sat with the cat. They were good friends. " + \
        "My friend is a bit bear like. He's lovely. The bear, the cat, the dog and me were all sat " + \
        "there enjoying the view. You should have seen it. The view was absolutely lovely. " + \
            "It was such a lovely day. The bear was loving it too."

cloud = WordCloud(collocations=False,
        background_color='white',
        max_words=10).generate(text)
plt.imshow(cloud, interpolation='bilinear')
plt.axis('off')
plt.show()