问题描述
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
解决方法
暂无找到可以解决该程序问题的有效方法,小编努力寻找整理中!
如果你已经找到好的解决方法,欢迎将解决方案带上本链接一起发送给小编。
小编邮箱:dio#foxmail.com (将#修改为@)