Question

我正在尝试使用Python获取一组文档的频率分布。我的代码由于某种原因无法正常工作并产生此错误：

Traceback (most recent call last):
  File "C:\Documents and Settings\aschein\Desktop\freqdist", line 32, in <module>
    fd = FreqDist(corpus_text)
  File "C:\Python26\lib\site-packages\nltk\probability.py", line 104, in __init__
    self.update(samples)
  File "C:\Python26\lib\site-packages\nltk\probability.py", line 472, in update
    self.inc(sample, count=count)
  File "C:\Python26\lib\site-packages\nltk\probability.py", line 120, in inc
    self[sample] = self.get(sample,0) + count
TypeError: unhashable type: 'list'

你能帮忙吗？

这是到目前为止的代码：

import os
import nltk
from nltk.probability import FreqDist


#The stop=words list
stopwords_doc = open("C:\\Documents and Settings\\aschein\\My Documents\\stopwords.txt").read()
stopwords_list = stopwords_doc.split()
stopwords = nltk.Text(stopwords_list)

corpus = []

#Directory of documents
directory = "C:\\Documents and Settings\\aschein\\My Documents\\comments"
listing = os.listdir(directory)

#Append all documents in directory into a single 'document' (list)
for doc in listing:
    doc_name = "C:\\Documents and Settings\\aschein\\My Documents\\comments\\" + doc
    input = open(doc_name).read() 
    input = input.split()
    corpus.append(input)

#Turn list into Text form for NLTK
corpus_text = nltk.Text(corpus)

#Remove stop-words
for w in corpus_text:
    if w in stopwords:
        corpus_text.remove(w)

fd = FreqDist(corpus_text)

Answer 1

我希望至少有两个想法可以回答。

首先，nltk.text.Text（）方法的文档说明（强调我的）：

一系列简单（字符串）标记的包装，旨在支持文本的初始探索（通过交互式控制台）。其方法对文本的上下文（例如，计数，协调，并置发现）执行各种分析，并显示结果。 如果您希望编写一个使用这些分析的程序，那么您应该绕过Text类，并直接使用相应的分析函数或类。

所以我不确定Text（）是你想要处理这些数据的方式。在我看来，你可以使用列表。

其次，我要提醒你考虑一下你要求NLTK在这里执行的计算。在确定频率分布之前删除停用词意味着您的频率会偏斜;我不明白为什么在制表之前删除了停用词，而不是在事后检查分布时忽略了。（我认为第二点会比答案的一部分做出更好的查询/评论，但我觉得值得指出比例会有所偏差。）根据您打算使用的频率分布，这可能会或可能会这不是一个问题。

Answer 2

错误表示您尝试将列表用作哈希键。你能把它转换成元组吗？

FreqDist使用NLTK

2 个答案: