Google Sheets 如何从主表逗号分隔ngram列表中批量移除指定停用词

前置准备 #

新建一个名为「停用词表」的工作表，将你需要移除的所有ngram（停用词）逐行放在该表的A列，后续新增停用词直接在该列末尾追加即可，无需修改核心处理逻辑。

方案1：内置函数公式（无需写代码，推荐绝大多数场景使用） #

如果仅需要处理单个单元格（以AL3为例），直接在目标单元格输入以下公式：

=TEXTJOIN(",",TRUE,FILTER(SPLIT(AL3,","),ISNA(XMATCH(SPLIT(AL3,","),停用词表!A:A))))

如果需要自动处理AL列所有行的ngram数据，使用批量公式：

=BYROW(AL3:AL,LAMBDA(r,IF(r="","",TEXTJOIN(",",TRUE,FILTER(SPLIT(r,","),ISNA(XMATCH(SPLIT(r,","),停用词表!A:A))))))

逻辑说明 #

• SPLIT(AL3,",")：将原逗号分隔的ngram字符串拆分为独立的token数组
• XMATCH(xxx,停用词表!A:A)：将每个token匹配停用词列表，匹配成功返回位置，匹配失败返回#N/A
• ISNA()：筛选出匹配失败（即不属于停用词，需要保留）的token
• TEXTJOIN(",",TRUE,xxx)：将筛选后的token重新按逗号拼接为字符串
• 外层BYROW实现整列自动遍历处理，无需手动拖拽公式

方案2：轻量自定义脚本（适合万行以上大数据量，运行更流畅） #

1. 点击顶部菜单栏「扩展程序 > Apps 脚本」打开脚本编辑器
2. 删除默认的空白代码，粘贴以下代码后点击保存：

function removeStopwords(ngramStr, stopwordList) {
  if (!ngramStr) return "";
  const stopwordSet = new Set(stopwordList.flat().filter(Boolean));
  return ngramStr.split(",").filter(token => !stopwordSet.has(token.trim())).join(",");
}

3. 回到表格，直接在目标单元格使用自定义函数即可：
   • 单个单元格：=removeStopwords(AL3, 停用词表!A:A)
   • 整列批量：=ARRAYFORMULA(IF(AL3:AL="","",removeStopwords(AL3:AL, 停用词表!A:A)))

原公式失效原因说明 #

你之前使用的REGEXREPLACE方案失效主要有两个问题：

1. 正则匹配规则中使用分号作为多个停用词的分隔，而你实际ngram的分隔符是逗号，匹配规则和实际结构不匹配
2. 法语特殊字符（如à、é等）在正则\b边界符下容易出现匹配异常，拆分后再匹配的逻辑兼容性更好，也更容易维护。

内容的提问来源于stack exchange，提问作者Archilecteur