NLTK: membuang kata yang tidak penting dan jarang dipakai

Untuk membuang kata2 yang tidak penting, langkah-nya

• print kata yang frekuensi penggunaannya kecil, misalnya <20
• masukan ke dalam daftar corpus, misalnya,

~/nltk_data/corpora/stopwords/indonesia

cara yang sederhana, menggunakan Python script berikut

import os,nltk,os.path,re,string
import argparse
from nltk.stem.porter import PorterStemmer
from collections import Counter
import re

ps=PorterStemmer()

def hanya_huruf( input ):
   r=re.match('^[a-zA-Z]+$', input)
   if r==None:
      return False
   else:
      return True

def parse_args():
    parser = argparse.ArgumentParser()
    parser.add_argument('-i', '--infile', default=, help='input filename')
    return parser.parse_args()

args = parse_args()
infile = args.infile

words = re.findall(r'\w+', open(infile).read().lower())
wordfreqs = Counter(words)
for word, count in wordfreqs.items():
    if hanya_huruf(word) and len(word)>1 and word!='Iing' and count<10 :
       word = word.strip(string.punctuation).lower()
       if word not in nltk.corpus.stopwords.words('english'):
          if word not in nltk.corpus.stopwords.words('indonesia'):
              print word

Cara pakainya

python cari-stopwords-freqs.py -i hasiltwitsearch.txt > tambahan-untuk-stopwords-indonesia.txt