去掉单词是stop_worda

在文本挖掘和自然语言处理中，`stop_words`通常是指一些常见的、无意义或者信息量较小的词语，如冠词、介词、连词等，在大多数场景下对文本分析影响不大，但会占用计算资源。它们包括但不限于：

1. 英文中的 "the", "and", "in", "of" 等；
2. 中文中的 "的", "了", "是", "一" 等。

在使用像 `TfidfVectorizer` 或 `CountVectorizer` 这样的工具进行文本特征提取时，可以指定一个停用词列表，告诉算法在构建词汇表时不考虑这些词。例如，在Python的`sklearn`库中，通过设置`stop_words`参数为`'english'`或自定义列表来移除英文停用词，对于中文则可以使用`jieba.analyse.stop_words`获取预定义的中文停用词。

下面是去除停用词的一个示例：

from sklearn.feature_extraction.text import TfidfVectorizer

# 英文案例
vectorizer = TfidfVectorizer(stop_words='english')
tfidf_matrix = vectorizer.fit_transform(evaluation_contents)

# 或者指定自定义停用词列表
custom_stopwords = ["is", "I", "very"]
vectorizer = TfidfVectorizer(stop_words=custom_stopwords)

# 对于中文案例
cv = CountVectorizer()
cv = cv.fit_transform(df_chinese['评价内容'], stop_words=jieba.analyse.STOPWORDS)

通过这种方式，可以减少特征维度，提高模型效率，并且专注于那些更有信息含量的词汇。