使用Python的wordcloud库时，为什么不将停用词排除在词云之外？

Question

我想将“ The”，“他们”和“
My”排除在我的词云中。我正在使用如下所示的python库’wordcloud’，并使用这3个其他停用词来更新STOPWORDS列表，但wordcloud仍包括它们。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

我曾尝试按照以下步骤将元素添加到STOPWORDS集中，但是即使单词添加成功，wordcloud仍显示我添加到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），但是我想知道WordCloud是否存在错误，或者我是否未正确更新/使用STOPWORDS？

Answer 1

Wordcloud的默认设置是collocations=True，因此两个相邻单词的常用短语都包含在云中-
对于您的问题，重要的是，搭配使用时，停用词的去除方式有所不同，例如“谢谢”是有效的搭配，并且可能即使默认单词中的“
you”也会出现在生成的云中。仅包含停用词的 并置会被 删除。

听起来不合理的理由是，如果在构建搭配列表之前删除停用词，则例如“非常感谢”将提供“非常感谢”作为搭配，我当然不希望这样。

因此，为了使您的停用词按预期运行，即云中完全没有停用词出现，可以这样使用collocations=False：

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

更新：

• 如果并置为False，则停用词都将全部小写，以便在删除时将其与小写文本进行比较-因此无需添加’The’等。
• 如果搭配词为True（默认），而停用词是小写的，则在寻找所有停用词搭配以将其删除时，源文本不是小写的，因此The删除时文本中的鸡蛋也不会the被删除-这就是@Balaji Ambresh的原因代码有效，您将看到云中没有上限。不确定，这可能是Wordcloud中的缺陷。但是，The在停用词中添加例如不会影响这一点，因为停用词总是小写，无论并置为True / False

这在源代码中都是可见的:-)

例如，使用默认值，collocations=True我得到：

随着collocations=False我得到：

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()