如何在 python 中使用 nltk 找到特定的二元语法？

Question

我目前正在使用 nltk.book iny Python 并想找到特定二元组的频率。 我知道有 bigram() function 可以为您提供文本中最常见的二元语法，如以下代码所示：

    >>> list(bigrams(['more', 'is', 'said', 'than', 'done']))
    [('more', 'is'), ('is', 'said'), ('said', 'than'), ('than', 'done')]
    >>>

但是如果我只搜索一个特定的词，比如“wish for”呢？ 到目前为止，我在 nltk 文档中找不到任何相关信息。

Answer 1

如果可以返回元组列表，则可以使用in ：

>>> bgrms = [('more', 'is'), ('is', 'said'), ('said', 'than'), ('than', 'done')]
>>> ('more', 'is') in bgrms
True
>>> ('wish', 'for') in bgrms
False

然后，如果您正在寻找特定二元组的频率，构建一个计数器可能会有所帮助：

from nltk import bigrams
from collections import Counter

bgrms = list(bigrams(['more', 'is', 'said', 'than', 'wish', 'for', 'wish', 'for']))

bgrm_counter = Counter(bgrms)

# Query the Counter collection for a specific frequency:
print(
  bgrm_counter.get(tuple(["wish", "for"]))
)

Output：

2

最后，如果你想根据可能的二元组数来理解这个频率，你可以除以可能的二元组数：

# Divide by the length of `bgrms`

print(
  bgrm_counter.get(tuple(["wish", "for"])) / len(bgrms)
)

Output：

0.2857142857142857