Question

我有以下代码。我知道我可以使用apply_freq_filter函数来过滤掉小于频率计数的搭配。但是，在我决定为过滤设置的频率之前，我不知道如何在文档中获取所有n-gram元组的频率（在我的情况下是bi-gram）。如您所见，我正在使用nltk collocations类。

import nltk
from nltk.collocations import *
line = ""
open_file = open('a_text_file','r')
for val in open_file:
    line += val
tokens = line.split()

bigram_measures = nltk.collocations.BigramAssocMeasures()
finder = BigramCollocationFinder.from_words(tokens)
finder.apply_freq_filter(3)
print finder.nbest(bigram_measures.pmi, 100)

Answer 1

NLTK有自己的bigrams generator，以及方便的FreqDist()功能。

f = open('a_text_file')
raw = f.read()

tokens = nltk.word_tokenize(raw)

#Create your bigrams
bgs = nltk.bigrams(tokens)

#compute frequency distribution for all the bigrams in the text
fdist = nltk.FreqDist(bgs)
for k,v in fdist.items():
    print k,v

一旦您可以访问BiGrams和频率分布，您就可以根据需要进行过滤。

希望有所帮助。

Answer 2

finder.ngram_fd.viewitems()功能正常工作

Answer 3

from nltk import FreqDist
from nltk.util import ngrams    
def compute_freq():
   textfile = open('corpus.txt','r')

   bigramfdist = FreqDist()
   threeramfdist = FreqDist()

   for line in textfile:
        if len(line) > 1:
        tokens = line.strip().split(' ')

        bigrams = ngrams(tokens, 2)
        bigramfdist.update(bigrams)
compute_freq()

Answer 4

我尝试了以上所有方法，发现了一个更简单的解决方案。 NLTK带有一个简单的“最常见频率” Ngram。

filtered_sentence是我的单词标记

import nltk
from nltk.util import ngrams
from nltk.collocations import BigramCollocationFinder
from nltk.metrics import BigramAssocMeasures

word_fd = nltk.FreqDist(filtered_sentence)
bigram_fd = nltk.FreqDist(nltk.bigrams(filtered_sentence))

bigram_fd.most_common()

这应该将输出显示为：

[(('working', 'hours'), 31),
 (('9', 'hours'), 14),
 (('place', 'work'), 13),
 (('reduce', 'working'), 11),
 (('improve', 'experience'), 9)]

在python nltk中计算n-gram频率

4 个答案: