如何解决Apache pyspark 删除停用词并计算
在删除停用词后,我想从文章的标题(第 2 列)(n=4)计算所有 n 组合(从每个标题我想要所有 4 个词的组合)。
>我已经创建了数据框:
df_hdfs = sc.read.option('delimiter',',').option('header','true')\.csv("/user/articles.csv")
rdd = df_hdfs.rdd.map(lambda x: (x[1]))
看起来像这样:
现在,我意识到我必须将 RDD 的每个字符串标记为单词,然后删除停用词。我需要一些关于如何执行此操作以及如何计算组合的帮助。
谢谢。
版权声明:本文内容由互联网用户自发贡献,该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容, 请发送邮件至 dio@foxmail.com 举报,一经查实,本站将立刻删除。