时间戳

首页 > 解决方案 > FreqDist 用于最常见的单词或短语

python - FreqDist 用于最常见的单词或短语

问题描述

我正在尝试分析来自应用评论的一些数据。

我想使用 nltk 的 FreqDist 来查看文件中出现频率最高的短语。它可以是单个标记或关键短语。我不想标记数据，因为那只会给我最常见的标记。但是现在，FreqDist 函数将每条评论作为一个字符串处理，而不是提取每条评论中的单词。

df = pd.read_csv('Positive.csv')

def pre_process(text):
    translator = str.maketrans("", "", string.punctuation)
    text = text.lower().strip().replace("\n", " ").replace("’", "").translate(translator)
    return text

df['Description'] = df['Description'].map(pre_process)
df = df[df['Description'] != '']

word_dist = nltk.FreqDist(df['Description'])

（“描述”是评论的正文/信息。）

例如，我想得到最常见的词：“​​我喜欢”、“有用”、“非常好的应用”，但我得到的是最常见的词：“​​我真的很喜欢这个应用，因为 bablabla”（完整评论）

这就是为什么当我绘制 FreqDist 时我得到这个：

在此处输入图像描述

标签： pythonmachine-learningnlpnltktokenize

解决方案

TL;博士

使用ngrams或everygrams：

>>> from itertools import chain
>>> import pandas as pd
>>> from nltk import word_tokenize
>>> from nltk import FreqDist

>>> df = pd.read_csv('x')
>>> df['Description']
0            Here is a sentence.
1    This is a foo bar sentence.
Name: Description, dtype: object

>>> df['Description'].map(word_tokenize)
0              [Here, is, a, sentence, .]
1    [This, is, a, foo, bar, sentence, .]
Name: Description, dtype: object

>>> sents = df['Description'].map(word_tokenize).tolist()

>>> FreqDist(list(chain(*[everygrams(sent, 1, 3) for sent in sents])))
FreqDist({('sentence',): 2, ('is', 'a'): 2, ('sentence', '.'): 2, ('is',): 2, ('.',): 2, ('a',): 2, ('Here', 'is', 'a'): 1, ('a', 'foo'): 1, ('a', 'sentence'): 1, ('bar', 'sentence', '.'): 1, ...})

推荐阅读