Description
This model removes ‘stop words’ from text. Stop words are words so common that they can be removed without significantly altering the meaning of a text. Removing stop words is useful when one wants to deal with only the most semantically important words in a text, and ignore words that are rarely semantically relevant, such as articles and prepositions.
Open in Colab Download Copy S3 URI
How to use
...
stop_words = StopWordsCleaner.pretrained("stopwords_mr", "mr") \
.setInputCols(["token"]) \
.setOutputCol("cleanTokens")
nlp_pipeline = Pipeline(stages=[document_assembler, tokenizer, stop_words])
light_pipeline = LightPipeline(nlp_pipeline.fit(spark.createDataFrame([['']]).toDF("text")))
results = light_pipeline.fullAnnotate("उत्तरेचा राजा होण्याव्यतिरिक्त, जॉन स्नो एक इंग्रज चिकित्सक आहे आणि भूल आणि वैद्यकीय स्वच्छतेच्या विकासासाठी अग्रगण्य आहे.")
...
val stopWords = StopWordsCleaner.pretrained("stopwords_mr", "mr")
.setInputCols(Array("token"))
.setOutputCol("cleanTokens")
val pipeline = new Pipeline().setStages(Array(document_assembler, tokenizer, stopWords))
val data = Seq("उत्तरेचा राजा होण्याव्यतिरिक्त, जॉन स्नो एक इंग्रज चिकित्सक आहे आणि भूल आणि वैद्यकीय स्वच्छतेच्या विकासासाठी अग्रगण्य आहे.").toDF("text")
val result = pipeline.fit(data).transform(data)
import nlu
text = ["""उत्तरेचा राजा होण्याव्यतिरिक्त, जॉन स्नो एक इंग्रज चिकित्सक आहे आणि भूल आणि वैद्यकीय स्वच्छतेच्या विकासासाठी अग्रगण्य आहे."""]
stopword_df = nlu.load('mr.stopwords').predict(text)
stopword_df[['cleanTokens']]
Results
[Row(annotatorType='token', begin=0, end=7, result='उत्तरेचा', metadata={'sentence': '0'}),
Row(annotatorType='token', begin=9, end=12, result='राजा', metadata={'sentence': '0'}),
Row(annotatorType='token', begin=14, end=29, result='होण्याव्यतिरिक्त', metadata={'sentence': '0'}),
Row(annotatorType='token', begin=30, end=30, result=',', metadata={'sentence': '0'}),
Row(annotatorType='token', begin=32, end=34, result='जॉन', metadata={'sentence': '0'}),
...]
Model Information
Model Name: | stopwords_mr |
Type: | stopwords |
Compatibility: | Spark NLP 2.5.4+ |
Edition: | Official |
Input Labels: | [token] |
Output Labels: | [cleanTokens] |
Language: | mr |
Case sensitive: | false |
License: | Open Source |
Data Source
The model is imported from https://github.com/WorldBrain/remove-stopwords