python——快速计算词频

最新推荐文章于 2025-06-17 22:05:32 发布

Lenskit

最新推荐文章于 2025-06-17 22:05:32 发布

阅读量9.2k

点赞数 1

CC 4.0 BY-SA版权

分类专栏： python 文章标签： python nltk 词频

本文链接：https://blog.youkuaiyun.com/chenKFKevin/article/details/76593900

python 专栏收录该内容

68 篇文章

订阅专栏

本文介绍了一种利用nltk库的FreqDist函数简化词频统计的过程，并对比了同事使用复杂函数实现相同目标的方法。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

这几天看到一位同事的代码，方法如下：

def cut_word(body):
    temp_dict={}
    if body is not None:
        temp=jieba.cut(body)
        for t in temp:
            temp_dict[t]=1
    else:
        pass
    return temp_dict

这个函数的功能是，输入一段字符串，比如：'今天天气很不错'，输出一个字典，key为使用结巴的cut方法之后切分的词，value为1，如：{'很':1,'今天天气':1,'不错': 1}。

然后我看到同事的另一个方法：

def union_dict(x,y):
    _keys = set(sum([obj.keys() for obj in [x,y]],[]))
    _total = {}
    for _key in _keys:
        _total[_key] = sum([obj.get(_key,0) for obj in [x,y]])
    return _total

是这样调用的：

final_dict=reduce(union_dict,result)

result是这样产生的：

result=df['body'].apply(cut_word)

也就是把df的body列每一行进行cut_word函数操作（即将字符串转换成一个字典）。

result的类型是series，随后对result用reduce函数进行union_dict操作。

union_dict的作用是，输入两个字典，比如{'很':1,'今天天气':1,'不错': 1}和{'很':1,'今天天气':1,'差': 1}，对key相同的进

行value求和，也就是输出会变成{'很':2,'今天天气':2,'不错': 1,'差':1}。

所以这一系列的操作其实是为了计算一大堆文字的词频数，但同事使用的是对每一行分别进行拆分，生成字典，随后

对字典进行合并，其实有些麻烦。

再学习自然语言处理的时候，我了解到nltk有一个方法，可以直接计算词频，用在此处正好。

# -*- coding:utf-8 -*-
import nltk
import jieba
str = '今天天气很不错。今天天气很差'
a = list(jieba.cut(str))
cfd = nltk.FreqDist(a)

结果直接是一个带有频数的字典：{'很':2,'今天天气':2,'不错': 1,'很差':1,'。'}

由于同事的函数cut_word对每个词只计一次频数，所以不能直接拼接字符串后调用FreqDist函数，需要对每个cut出来的列表去重，随后再拼接为大字符串调用FreqDist，这也比之前写这两个函数简单许多。

对于普通的计算频数的需求来说，这个函数能直接解决，十分方便。