この記事では、Pythonでテキストの一部からストップワードを削除する方法を学びます。
テキストからストップワードを除去することは、機械学習モデルを使用する前のデータの前処理に含まれます。
ストップワードって何？
ストップワードとは、自然言語の中にある、ほとんど意味を持たない単語のことです。
is’、’the’、’and’などの単語がこれにあたります。
テキストから情報を抽出する際、これらの単語は意味のあるものを提供しません。
したがって、機械学習モデルの学習に使用する前に、テキストからストップワードを削除することは良い方法です。
ストップワードを除去するもう一つの利点は、データセットのサイズを小さくし、モデルの学習にかかる時間を短縮することです。
ストップワードの除去は、検索エンジンの間でも一般的に行われている。
Googleのような検索エンジンは、より速いレスポンスを得るために、検索クエリからストップワードを削除します。
この記事では、ストップワードを除去するためにNLTKモジュールを使用する予定です。
NLTKモジュールは、自然言語処理に関して最も人気のあるモジュールです。
まず、NLTKモジュールからストップワードを含むコーパスをダウンロードします。
この記事もチェック：Pythonによる自然言語処理のステミングとレムマター化について解説する
ストップワード付きコーパスをNLTKからダウンロードします。
コーパスのダウンロードには、:
import nltk
nltk.download('stopwords')
|
結果は以下の通りです。
from nltk.corpus import stopwords
print(stopwords.words('english'))
|
これで、コーパスの利用が開始できる。
コーパスからストップワード一覧を表示する
コーパスに含まれるストップワードのリストを出力してみましょう。
['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"] |
結果を出力すると、以下の様になります。
from nltk.corpus import stopwords
print(stopwords.fileids())
|
これは英語のストップワード・リストです。
他の言語も利用可能です。
言語のリストを印刷するには、:
['arabic', 'azerbaijani', 'danish', 'dutch', 'english', 'finnish', 'french', 'german', 'greek', 'hungarian', 'indonesian', 'italian', 'kazakh', 'nepali', 'norwegian', 'portuguese', 'romanian', 'russian', 'slovene', 'spanish', 'swedish', 'tajik', 'turkish'] |
結果を出力すると、以下の様になります。
new_stopwords = stopwords.words('english')
new_stopwords.append('SampleWord')
|
以上が、NLTKのstopwordsコーパスでストップワードが利用可能な言語です。
どうすれば独自のストップワードをコーパスに追加できますか？
自分で作ったストップワードをリストに追加するには、 :
nltk.download('punkt')
from nltk.tokenize import word_tokenize
text = "This is a sentence in English that contains the SampleWord"
text_tokens = word_tokenize(text)
remove_sw = [word for word in text_tokens if not word in stopwords.words()]
print(remove_sw)
|
これで、新しいコーパスとして ‘new_stopwords’ が使えるようになった。
このコーパスを用いて、文からストップワードを除去する方法を学習しよう。
How to remove stop words from the text?
このセクションでは、テキストからストップワードを削除する方法について学びます。
先に進む前に、トークン化に関するこのチュートリアルを読んでおきましょう。
トークン化とは、テキストをトークンという小さな単位に分解することです。
これらのトークンは、自然言語処理（NLP）の構成要素を形成しています。
ここでは、トークン化を使って、文章を単語のリストに変換します。
次に、Pythonのリストからストップワードを削除します。
['This', 'sentence', 'English', 'contains', 'SampleWord'] |
結果は以下の通りです。
nltk.download('punkt')
from nltk.tokenize import word_tokenize
text = "This is a sentence in English that contains the SampleWord"
text_tokens = word_tokenize(text)
remove_sw = [word for word in text_tokens if not word in new_stopwords]
print(remove_sw)
|
出力に’SampleWord’が含まれているのがわかりますが、これはストップワードを除去するためにデフォルトのコーパスを使用したためです。
それでは、作成したコーパスを使用してみましょう。
リスト内包を使います。
['This', 'sentence', 'English', 'contains'] |
結果は以下の通りです。
この記事もチェック：NLTKライブラリを使って自然言語をトークン化する方法
まとめ
今回のチュートリアルは、pythonでテキストからストップワードを取り除くというものでした。
NLTKモジュールを使って、テキストからストップワードを除去してみました。
楽しく学んでいただけたら幸いです。