文本预处理---批量去除停用词—小白代码详细解释

经过摸索，学习，仿照大佬们的代码，终于折腾出自己的结果。
我要处理的文件是这样的：

运行无bug的代码放上

import jieba
 
# 创建停用词list函数
def stopwordslist(filepath):
    stopwords = [line.strip() for line in open(filepath, 'r', encoding='utf-8').readlines()] #分别读取停用词表里的每一个词，
                                                                                               #因为停用词表里的布局是一个词一行
    return stopwords #返回一个列表，里面的元素是一个个的停用词
 
# 对句子进行分词
def seg_sentence(sentence):
    sentence_seged = jieba.cut(sentence.strip())
    stopwords = stopwordslist('chineseStopWords.txt')  # 这里加载停用词的路径,同时调用上面的stopwordslist()函数
    outstr = '' #设置一个空的字符串，用于储存结巴分词后的句子
    for word in sentence_seged: #遍历分词后的每一个单词
        if word not in stopwords: #如果这个单词不在停用表里面
            if word != '\t': #且这个单词不是制表符
                outstr += word #就将这个词添加到结果中
                outstr += " " #但是这里为什么又要添加双引号中间带空格？
                              #测试了一下，原来是为了让结巴分词后的词以空格间隔分割开
    return outstr
 

#inputs = open('baiduzd_questions.xlsx', 'r', encoding='utf-8') #使用python打开文件我总会出错，不明白编码的问题是什么>_<
import pandas as pd #这里还是采用padas打开文件吧，毕竟我这个又是Excel文件
inputss = pd.read_excel('baiduzd_questions.xlsx')

outputs = open('baiduzd_questions_output.txt', 'w')


    
for line in inputss.itertuples(): #使用a.itertuples()遍历DataFrame的每一行
    linE = getattr(line, 'title') # 获得每一行   
    line_seg = seg_sentence(linE) #对每一行调用上面的seg_sentence（）函数，返回值是字符串
    outputs.write(line_seg + '\n') #换行输入
    
    
outputs.close()
#因为inputss文件我是用pandas打开的，所以不用close。

结果如下：

全程下来，需要注意的可能就是python的open函数那里，需要注意下，如果读取失败，则要将txt文件重新保存一次，保存时的编码方式要改为utf-8。

参考博文：https://blog.youkuaiyun.com/sinat_26811377/article/details/101691336