estoy haciendo el siguiente código donde quiero eliminar palabras de parada (stopword), pero cuando elimino por ejemplo la palabra al
se me elimina también sobre grupos de texto que no quiero que suceda, por ejemplo VALVE INOP
queda como VVE INOP
. Actualmente este es mi código:
import pandas as pd
import nltk
from nltk.corpus import stopwords
import re
df = pd.read_csv('/Users/jorgepontigo/text_mining_reliability/raw data/faults_systems.csv', header=0, sep=',',parse_dates = ['failure_date'], usecols=[0,1,2,3], dayfirst = True)
df["fault_name_clean"] = df.fault_name.str.replace("AL", ' ', regex=False)\
.str.replace("A", "")\
.str.replace("IN ", "")\
.str.replace("THE ", "")\
.str.replace("DISPLAYED ", "")\
.str.replace("DAILY ", "")\
.str.replace("FAULT ", "")\
.str.replace(" CHECK ", "")\
.str.replace(" PROBLEM ", "")\
.str.replace(" POSITION ", "")\
.str.replace(" REPORTA ", "")
print(df["fault_name_clean"])
Alguien me puede ayudar? por ejemplo en el segundo replace solo elimine las coincidencias exactas de A
ya que si ven lo que imprime el código en la prima fila, desaparecen todas las A
.
Agradecería montones su ayuda. Les adjunto el input CSV que uso en el código.
https://drive.google.com/file/d/1pKQQ9zP4cdLCSmEO5ZuylmEX1hYsWP0i/view?usp=sharing