Удалите выбранные слова из модели сумки слов или документов
newDocuments = removeWords(documents,words)newDocuments = removeWords(documents,idx)newBag = removeWords(bag,words)newBag = removeWords(bag,idx)newDocuments = removeWords(documents,words)documents.
newDocuments = removeWords(documents,idx)idx слов в documents.Vocabulary. Этот синтаксис совпадает с newDocuments = removeWords(documents,documents.Vocabulary(idx)).
Удалите слова из массива документов путем введения массива строк слов к removeWords.
Создайте массив маркируемых документов.
documents = tokenizedDocument([
"an example of a short sentence"
"a second short sentence"]);Удалите слова, "короткие" и "вторые".
words = ["short" "second"]; newDocuments = removeWords(documents,words)
newDocuments =
2x1 tokenizedDocument:
5 tokens: an example of a sentence
2 tokens: a sentence
Чтобы удалить список по умолчанию слов остановки с помощью деталей языка документов, используйте removeStopWords.
Чтобы удалить пользовательский список слов остановки, используйте функцию removeWords. Можно использовать список слов остановки, возвращенный функцией stopWords как отправная точка.
Загрузите данные в качестве примера. Файл sonnetsPreprocessed.txt содержит предварительно обработанные версии сонетов Шекспира. Файл содержит один сонет на строку со словами, разделенными пробелом. Извлеките текст от sonnetsPreprocessed.txt, разделите текст в документы в символах новой строки, и затем маркируйте документы.
filename = "sonnetsPreprocessed.txt";
str = extractFileText(filename);
textData = split(str,newline);
documents = tokenizedDocument(textData);Просмотрите первые несколько документов.
documents(1:5)
ans =
5x1 tokenizedDocument:
70 tokens: fairest creatures desire increase thereby beautys rose might never die riper time decease tender heir might bear memory thou contracted thine own bright eyes feedst thy lights flame selfsubstantial fuel making famine abundance lies thy self thy foe thy sweet self cruel thou art worlds fresh ornament herald gaudy spring thine own bud buriest thy content tender churl makst waste niggarding pity world else glutton eat worlds due grave thee
71 tokens: forty winters shall besiege thy brow dig deep trenches thy beautys field thy youths proud livery gazed tatterd weed small worth held asked thy beauty lies treasure thy lusty days say thine own deep sunken eyes alleating shame thriftless praise praise deservd thy beautys thou couldst answer fair child mine shall sum count make old excuse proving beauty succession thine new made thou art old thy blood warm thou feelst cold
65 tokens: look thy glass tell face thou viewest time face form another whose fresh repair thou renewest thou dost beguile world unbless mother fair whose uneard womb disdains tillage thy husbandry fond tomb selflove stop posterity thou art thy mothers glass thee calls back lovely april prime thou windows thine age shalt despite wrinkles thy golden time thou live rememberd die single thine image dies thee
71 tokens: unthrifty loveliness why dost thou spend upon thy self thy beautys legacy natures bequest gives nothing doth lend frank lends free beauteous niggard why dost thou abuse bounteous largess thee give profitless usurer why dost thou great sum sums yet canst live traffic thy self alone thou thy self thy sweet self dost deceive nature calls thee gone acceptable audit canst thou leave thy unused beauty tombed thee lives th executor
61 tokens: hours gentle work frame lovely gaze every eye doth dwell play tyrants same unfair fairly doth excel neverresting time leads summer hideous winter confounds sap checked frost lusty leaves quite gone beauty oersnowed bareness every summers distillation left liquid prisoner pent walls glass beautys effect beauty bereft nor nor remembrance flowers distilld though winter meet leese show substance still lives sweet
Создайте список слов остановки начиная с вывода функции stopWords.
customStopWords = [stopWords "thy" "thee" "thou" "dost" "doth"];
Удалите пользовательские слова остановки из документов и просмотрите первые несколько документов.
documents = removeWords(documents,customStopWords); documents(1:5)
ans =
5x1 tokenizedDocument:
62 tokens: fairest creatures desire increase thereby beautys rose might never die riper time decease tender heir might bear memory contracted thine own bright eyes feedst lights flame selfsubstantial fuel making famine abundance lies self foe sweet self cruel art worlds fresh ornament herald gaudy spring thine own bud buriest content tender churl makst waste niggarding pity world else glutton eat worlds due grave
61 tokens: forty winters shall besiege brow dig deep trenches beautys field youths proud livery gazed tatterd weed small worth held asked beauty lies treasure lusty days say thine own deep sunken eyes alleating shame thriftless praise praise deservd beautys couldst answer fair child mine shall sum count make old excuse proving beauty succession thine new made art old blood warm feelst cold
52 tokens: look glass tell face viewest time face form another whose fresh repair renewest beguile world unbless mother fair whose uneard womb disdains tillage husbandry fond tomb selflove stop posterity art mothers glass calls back lovely april prime windows thine age shalt despite wrinkles golden time live rememberd die single thine image dies
52 tokens: unthrifty loveliness why spend upon self beautys legacy natures bequest gives nothing lend frank lends free beauteous niggard why abuse bounteous largess give profitless usurer why great sum sums yet canst live traffic self alone self sweet self deceive nature calls gone acceptable audit canst leave unused beauty tombed lives th executor
59 tokens: hours gentle work frame lovely gaze every eye dwell play tyrants same unfair fairly excel neverresting time leads summer hideous winter confounds sap checked frost lusty leaves quite gone beauty oersnowed bareness every summers distillation left liquid prisoner pent walls glass beautys effect beauty bereft nor nor remembrance flowers distilld though winter meet leese show substance still lives sweet
Удалите слова из документов путем введения вектора числовых индексов к removeWords.
Создайте массив маркируемых документов.
documents = tokenizedDocument([
"I love MATLAB"
"I love MathWorks"])documents =
2x1 tokenizedDocument:
3 tokens: I love MATLAB
3 tokens: I love MathWorks
Просмотрите словарь documents.
documents.Vocabulary
ans = 1x4 string array
"I" "love" "MATLAB" "MathWorks"
Удалите первые и третьи слова словаря из документов путем определения числовых индексов [1 3].
idx = [1 3]; newDocuments = removeWords(documents,idx)
newDocuments =
2x1 tokenizedDocument:
1 tokens: love
2 tokens: love MathWorks
Также можно задать логические индексы.
idx = logical([1 0 1 0]); newDocuments = removeWords(documents,idx)
newDocuments =
2x1 tokenizedDocument:
1 tokens: love
2 tokens: love MathWorks
Удалите слова остановки из модели сумки слов путем введения списка слов остановки к removeWords. Остановитесь слова являются словами, такими как "a", и "в" котором обычно удаляются из текста перед анализом.
documents = tokenizedDocument([
"an example of a short sentence"
"a second short sentence"]);
bag = bagOfWords(documents);
newBag = removeWords(bag,stopWords)newBag =
bagOfWords with properties:
Counts: [2x4 double]
Vocabulary: ["example" "short" "sentence" "second"]
NumWords: 4
NumDocuments: 2
Удалите слова из модели сумки слов путем введения вектора числовых индексов к removeWords.
Создайте массив маркируемых документов.
documents = tokenizedDocument([
"I love MATLAB"
"I love MathWorks"]);
bag = bagOfWords(documents)bag =
bagOfWords with properties:
Counts: [2x4 double]
Vocabulary: ["I" "love" "MATLAB" "MathWorks"]
NumWords: 4
NumDocuments: 2
Просмотрите словарь bag.
bag.Vocabulary
ans = 1x4 string array
"I" "love" "MATLAB" "MathWorks"
Удалите первые и третьи слова словаря из модели сумки слов путем определения числовых индексов [1 3].
idx = [1 3]; newBag = removeWords(bag,idx)
newBag =
bagOfWords with properties:
Counts: [2x2 double]
Vocabulary: ["love" "MathWorks"]
NumWords: 2
NumDocuments: 2
Также можно задать логические индексы.
idx = logical([1 0 1 0]); newBag = removeWords(bag,idx)
newBag =
bagOfWords with properties:
Counts: [2x2 double]
Vocabulary: ["love" "MathWorks"]
NumWords: 2
NumDocuments: 2
documents — Введите документыtokenizedDocumentВведите документы, заданные как массив tokenizedDocument.
bag — Введите модель сумки словbagOfWordsВведите модель сумки слов, заданную как объект bagOfWords.
words — Слова, чтобы удалитьСлова, чтобы удалить, заданный как вектор строки, вектор символов или массив ячеек из символьных векторов. Если вы задаете words как вектор символов, то функция обрабатывает его как отдельное слово.
Типы данных: string | char | cell
idx Индексы слов в словаре, чтобы удалитьИндексы слов, чтобы удалить, заданный как вектор числовых индексов или вектор логических индексов. Индексы в idx соответствуют местоположениям слов в свойстве Vocabulary входных документов или модели сумки слов.
Пример: [1 5 10]
newDocuments — Выведите документыtokenizedDocumentВыведите документы, возвращенные как массив tokenizedDocument.
newBag — Выведите модель сумки словbagOfWordsВыведите модель сумки слов, возвращенную как объект bagOfWords.
bagOfNgrams | bagOfWords | normalizeWords | removeEmptyDocuments | removeInfrequentWords | removeLongWords | removeNgrams | removeShortWords | stopWords | tokenizedDocument
1. Если смысл перевода понятен, то лучше оставьте как есть и не придирайтесь к словам, синонимам и тому подобному. О вкусах не спорим.
2. Не дополняйте перевод комментариями “от себя”. В исправлении не должно появляться дополнительных смыслов и комментариев, отсутствующих в оригинале. Такие правки не получится интегрировать в алгоритме автоматического перевода.
3. Сохраняйте структуру оригинального текста - например, не разбивайте одно предложение на два.
4. Не имеет смысла однотипное исправление перевода какого-то термина во всех предложениях. Исправляйте только в одном месте. Когда Вашу правку одобрят, это исправление будет алгоритмически распространено и на другие части документации.
5. По иным вопросам, например если надо исправить заблокированное для перевода слово, обратитесь к редакторам через форму технической поддержки.