如何从文档项矩阵中提取单词频率？

Question

我正在使用Python进行LDA分析。我使用以下代码创建了一个文档术语矩阵

corpus = [dictionary.doc2bow(text) for text in texts].

有没有简单的方法来计算整个语料库中的单词频率。由于我的词典是term-id列表，我想我可以将词频与term-id匹配。

Answer 1

您可以使用nltk来计算字符串texts

中的字频率

from nltk import FreqDist
import nltk
texts = 'hi there hello there'
words = nltk.tokenize.word_tokenize(texts)
fdist = FreqDist(words)

fdist会为您提供给定字符串texts的字频率。

但是，您有一个文本列表。计算频率的一种方法是使用CountVectorizer中的scikit-learn作为字符串列表。

import numpy as np
from sklearn.feature_extraction.text import CountVectorizer
texts = ['hi there', 'hello there', 'hello here you are']
vectorizer = CountVectorizer()
X = vectorizer.fit_transform(texts)
freq = np.ravel(X.sum(axis=0)) # sum each columns to get total counts for each word

此freq将对应于字典vectorizer.vocabulary_

中的值

import operator
# get vocabulary keys, sorted by value
vocab = [v[0] for v in sorted(vectorizer.vocabulary_.items(), key=operator.itemgetter(1))]
fdist = dict(zip(vocab, freq)) # return same format as nltk