NLTK: membuang kata penghubung yang tidak bermakna - Revision history

Onnowpurbo at 06:53, 5 February 2017

2017-02-05T06:53:48Z

Onnowpurbo at 03:11, 5 February 2017

2017-02-05T03:11:41Z

Onnowpurbo at 23:00, 4 February 2017

2017-02-04T23:00:04Z

Onnowpurbo: Created page with "Kata penghubung yang tidak bermakna, seperti, yang, ke, dari, hello, apa, mau, ..... bisa dibuang menggunakan cara * print kata 300 ranking teratas yang banyak dipakai * e..."

2017-02-04T22:40:57Z

Created page with "Kata penghubung yang tidak bermakna, seperti, yang, ke, dari, hello, apa, mau, ..... bisa dibuang menggunakan cara * print kata 300 ranking teratas yang banyak dipakai * e..."

New page

Kata penghubung yang tidak bermakna, seperti,

yang, ke, dari, hello, apa, mau, .....

bisa dibuang menggunakan cara

* print kata 300 ranking teratas yang banyak dipakai
* edit buang kata yang bermakna
* sisa kata yang tidak bermakna di edit dari outputnya

script python-nya adalah

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())
wordcommon = Counter(words).most_common(300)
print wordcommon

cara pemakaian

python cari-stopwords-common.py -i hasiltwitseach.txt

hasilnya kira-kira

[('ahok', 18443), ('https', 13710), ('t', 13361), ('co', 13041), ('rt', 11634), ('dan', 3224), ('yg', 2907), ('ini', 2400),
('ma', 2328), ('ruf', 2220), ('di', 2074), ('amin', 2057), ('kh', 1976), ('nu', 1972), ('yang', 1861), ('ulil', 1734),
('tak', 1301), ('pak', 1219), ('warga', 1126), ('akan', 1122), ('jangan', 1112), ('tidak', 1088), ('saya', 1069), ('mui', 1059),
('maf', 1046), ('ke', 1036), ('agama', 1033), ......... dst ............

← Older revision		Revision as of 23:00, 4 February 2017
Line 48:		Line 48:
	('tak', 1301), ('pak', 1219), ('warga', 1126), ('akan', 1122), ('jangan', 1112), ('tidak', 1088), ('saya', 1069), ('mui', 1059),		('tak', 1301), ('pak', 1219), ('warga', 1126), ('akan', 1122), ('jangan', 1112), ('tidak', 1088), ('saya', 1069), ('mui', 1059),
	('maf', 1046), ('ke', 1036), ('agama', 1033), ......... dst ............		('maf', 1046), ('ke', 1036), ('agama', 1033), ......... dst ............
		+
		+	edit hasil-nya, buang kata yang penting.
		+	copykan hasilnya ke stopwords, misalnya
		+
		+	cat tambahan-stopwords.txt >> indonesia

@@ Line 5: / Line 5: @@
 bisa dibuang menggunakan cara
-* print kata 300 ranking teratas yang banyak dipakai
+* print kata 400 ranking teratas yang banyak dipakai
 * edit buang kata yang bermakna
 * sisa kata yang tidak bermakna di edit dari outputnya

@@ Line 35: / Line 35: @@
   words = re.findall(r'\w+', open(infile).read().lower())
-  wordcommon = Counter(words).most_common(300)
+  wordcommon = Counter(words).most_common(400)
-  print wordcommon
 cara pemakaian
   python cari-stopwords-common.py -i hasiltwitseach.txt
 edit hasil-nya, buang kata yang penting.