計算詞和詞組頻率的Python nltk

Question

我正在使用NLTK並嘗試將單詞短語計數到特定文檔的某個長度以及每個短語的頻率。 我將字符串標記為獲取數據列表。

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

上面的代碼給出和輸出如下：

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

這是我正在尋找的部分內容。

我的問題是，是否有更方便的方法來說明長度為4或5的短語而不重復此代碼只更改計數變量？

Answer 1

既然你標記了這個nltk ，下面是如何使用nltk的方法來實現它，這些方法比標准python集合中的方法有更多的功能。

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每個元素都是ngram頻率的字典。 例如，您可以獲得五個最常見的三元組：

all_counts[3].most_common(5)

Answer 2

是的，不要運行這個循環，使用collections.Counter(bigrams) pandas.Series(bigrams).value_counts() collections.Counter(bigrams)或pandas.Series(bigrams).value_counts()來計算pandas.Series(bigrams).value_counts()的計數。