Question

我需要从文本中获取最流行的ngrams。 Ngrams长度必须为1到5个字。

我知道如何获得bigrams和trigrams。例如：

bigram_measures = nltk.collocations.BigramAssocMeasures()
finder = nltk.collocations.BigramCollocationFinder.from_words(words)
finder.apply_freq_filter(3)
finder.apply_word_filter(filter_stops)
matches1 = finder.nbest(bigram_measures.pmi, 20)

然而，我发现scikit-learn可以得到各种长度的ngrams。例如，我可以获得长度为1到5的ngram。

v = CountVectorizer(analyzer=WordNGramAnalyzer(min_n=1, max_n=5))

但WordNGramAnalyzer现已弃用。我的问题是：如何从我的文本中获得N个最佳单词搭配，搭配长度从1到5.此外，我需要获得此搭配/ ngrams的FreqList。

我能用nltk / scikit做到吗？我需要从一个文本中获得各种长度的ngrams组合？

例如使用NLTK双字母组和三元组，其中我的三元组包括我的位图的许多情况，或者我的三元组是更大的4克的一部分。例如：

bitgrams：你好我的 trigrams：你好我的名字

我知道如何从三元组中排除bigrams，但我需要更好的解决方案。

Answer 1

<强>更新

由于scikit-learn 0.14格式已更改为：

n_grams = CountVectorizer(ngram_range=(1, 5))

完整示例：

test_str1 = "I need to get most popular ngrams from text. Ngrams length must be from 1 to 5 words."
test_str2 = "I know how to exclude bigrams from trigrams, but i need better solutions."

from sklearn.feature_extraction.text import CountVectorizer

c_vec = CountVectorizer(ngram_range=(1, 5))

# input to fit_transform() should be an iterable with strings
ngrams = c_vec.fit_transform([test_str1, test_str2])

# needs to happen after fit_transform()
vocab = c_vec.vocabulary_

count_values = ngrams.toarray().sum(axis=0)

# output n-grams
for ng_count, ng_text in sorted([(count_values[i],k) for k,i in vocab.items()], reverse=True):
    print(ng_count, ng_text)

输出以下内容（请注意，I一词被删除不是因为它是一个停用词（它不是），而是因为它的长度：https://stackoverflow.com/a/20743758/）：

> (3, u'to')
> (3, u'from')
> (2, u'ngrams')
> (2, u'need')
> (1, u'words')
> (1, u'trigrams but need better solutions')
> (1, u'trigrams but need better')
...

这些日子应该/可能更简单，imo。您可以尝试textacy之类的内容，但有时会出现其自身的复杂情况，例如初始化文档，目前无法使用v.0.6.2 as shown on their docs。 If doc initialization worked as promised，理论上以下内容可行（但事实并非如此）：

test_str1 = "I need to get most popular ngrams from text. Ngrams length must be from 1 to 5 words."
test_str2 = "I know how to exclude bigrams from trigrams, but i need better solutions."

import textacy

# some version of the following line
doc = textacy.Doc([test_str1, test_str2])

ngrams = doc.to_bag_of_terms(ngrams={1, 5}, as_strings=True)
print(ngrams)

旧回答

自从scikit-learn 0.11以来，

WordNGramAnalyzer确实被弃用了。创建n-gram并获得术语频率现在合并在sklearn.feature_extraction.text.CountVectorizer中。您可以创建所有n-gram，范围从1到5，如下所示：

n_grams = CountVectorizer(min_n=1, max_n=5)

有关text feature extraction的scikit-learn文档中可以找到更多示例和信息。

Answer 2

如果你想生成原始ngrams（也许你自己计算），那么还有nltk.util.ngrams(sequence, n)。它将为 n 的任何值生成一系列ngrams。它有填充选项，请参阅文档。

Answer 3

关注http://nltk.org/_modules/nltk/util.html我认为引擎nltk.util.bigrams（）和nltk.util.trigrams（）是使用nltk.util.ngrams（）

实现的。

Python有频率的Ngrams列表

3 个答案: