计算词和词组频率的Python nltk

时间:2016-11-18 04:00:19

标签: python nltk word-frequency

我正在使用NLTK并尝试将单词短语计数到特定文档的某个长度以及每个短语的频率。我将字符串标记为获取数据列表。

from nltk.util import ngrams
from nltk.tokenize import sent_tokenize, word_tokenize
from nltk.collocations import *


data = ["this", "is", "not", "a", "test", "this", "is", "real", "not", "a", "test", "this", "is", "this", "is", "real", "not", "a", "test"]

bigrams = ngrams(data, 2)

bigrams_c = {}
for b in bigrams:
    if b not in bigrams_c:
        bigrams_c[b] = 1
    else:
        bigrams_c[b] += 1

上面的代码给出和输出如下:

(('is', 'this'), 1)
(('test', 'this'), 2)
(('a', 'test'), 3)
(('this', 'is'), 4)
(('is', 'not'), 1)
(('real', 'not'), 2)
(('is', 'real'), 2)
(('not', 'a'), 3)

这是我正在寻找的部分内容。

我的问题是,是否有更方便的方法来说明长度为4或5的短语而不重复此代码只更改计数变量?

2 个答案:

答案 0 :(得分:11)

由于您标记了此nltk,因此以下是使用nltk方法执行此操作的方法,这些方法的功能比标准python集合中的功能更多。

from nltk import ngrams, FreqDist
all_counts = dict()
for size in 2, 3, 4, 5:
    all_counts[size] = FreqDist(ngrams(data, size))

字典all_counts的每个元素都是ngram频率的字典。例如,您可以获得五个最常见的三元组:

all_counts[3].most_common(5)

答案 1 :(得分:2)

是的,请不要运行此循环,使用collections.Counter(bigrams)pandas.Series(bigrams).value_counts()来计算单行中的计数。