如何解决NLP:从SparkNLP中的pyspark数据框中删除一些特殊实体名称
我正在尝试从databrick上的SparkNLP中的pyspark数据框中删除一些特殊的实体名称。
例如,某些公司名称,例如ibm,IBM,诺基亚,诺基亚。
df:
text
All kNow that ibm and Nokia are some companies in IT ....
我的py3代码:
stop_words_cleaner = StopWordsCleaner()\
.setInputCols(["after_spell_check"])\
.setoutputCol("cleanTokens")\
.setCaseSensitive(False)\
.setStopWords(my_stopwords) # add "ibm","IBM","Nokia" as stop words
我也尝试过:
import pyspark.sql.functions as F
test_df.withColumn("text",F.expr("transform(text,x -> trim(replace(x,'ibm','')))" ) ).show()
它不起作用。另外,我需要删除一个实体列表,而不仅仅是一个单词。
我尝试将“ ibm”添加为停用词,但由于停用词必须是英语单词,因此无法正常工作。
我不能使用spacy,因为数据帧大小很大。
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。