合并生成器对象以计算 NLTK 中的频率

Question

我正在尝试使用nltk 中的ngram 和freqDist 函数来计算各种ngrams 的频率。 由于 ngram 函数输出是 generator 对象，我想在计算频率之前合并每个 ngram 的输出。 但是，我在合并各种生成器对象时遇到了问题。

我试过itertools.chain，它创建了一个itertools 对象，而不是合并生成器。 我终于选择了permutations，但事后解析对象似乎是多余的。

目前的工作代码是：

import nltk
from nltk import word_tokenize, pos_tag
from nltk.collocations import *
from itertools import *
from nltk.util import ngrams
import re
corpus = 'testing sentences to see if if if this works'
token = word_tokenize(corpus)
unigrams = ngrams(token,1)
bigrams = ngrams(token,2)
trigrams = ngrams(token,3)


perms = list(permutations([unigrams,bigrams,trigrams]))
fdist = nltk.FreqDist(perms)
for x,y in fdist.items():
    for k in x:
        for v in k:
            words = '_'.join(v)
            print words, y

正如您在结果中看到的那样，freq dist 没有正确计算来自各个生成器对象的单词，因为每个生成器对象的频率都是 1。 有没有更蟒蛇的方式来正确地做到这一点？

Answer 1

使用everygrams，它返回给定n范围的所有n-gram。

>>> from nltk import everygrams
>>> from nltk import FreqDist
>>> corpus = 'testing sentences to see if if if this works'
>>> everygrams(corpus.split(), 1, 3)
<generator object everygrams at 0x7f4e272e9730>
>>> list(everygrams(corpus.split(), 1, 3))
[('testing',), ('sentences',), ('to',), ('see',), ('if',), ('if',), ('if',), ('this',), ('works',), ('testing', 'sentences'), ('sentences', 'to'), ('to', 'see'), ('see', 'if'), ('if', 'if'), ('if', 'if'), ('if', 'this'), ('this', 'works'), ('testing', 'sentences', 'to'), ('sentences', 'to', 'see'), ('to', 'see', 'if'), ('see', 'if', 'if'), ('if', 'if', 'if'), ('if', 'if', 'this'), ('if', 'this', 'works')]

结合计算不同顺序的ngram：

>>> from nltk import everygrams
>>> from nltk import FreqDist
>>> corpus = 'testing sentences to see if if if this works'.split()
>>> fd = FreqDist(everygrams(corpus, 1, 3))
>>> fd
FreqDist({('if',): 3, ('if', 'if'): 2, ('to', 'see'): 1, ('sentences', 'to', 'see'): 1, ('if', 'this'): 1, ('to', 'see', 'if'): 1, ('works',): 1, ('testing', 'sentences', 'to'): 1, ('sentences', 'to'): 1, ('sentences',): 1, ...})

---

或者，FreqDist is essentially a collections.Counter sub-class，因此您可以像这样组合计数器：

>>> from collections import Counter
>>> x = Counter([1,2,3,4,4,5,5,5])
>>> y = Counter([1,1,1,2,2])
>>> x + y
Counter({1: 4, 2: 3, 5: 3, 4: 2, 3: 1})
>>> x

>>> from nltk import FreqDist
>>> FreqDist(['a', 'a', 'b'])
FreqDist({'a': 2, 'b': 1})
>>> a = FreqDist(['a', 'a', 'b'])
>>> b = FreqDist(['b', 'b', 'c', 'd', 'e'])
>>> a + b
FreqDist({'b': 3, 'a': 2, 'c': 1, 'e': 1, 'd': 1})

Answer 2

Alvas 是对的，nltk.everygrams 是完成这项工作的完美工具。但是合并几个迭代器真的不是那么难，也不是那么罕见，所以你应该知道怎么做。关键是任何迭代器都可以转换为列表，但最好只做一次：

从几个迭代器中创建一个列表

1. 只使用列表（简单但低效）

   allgrams = list(unigrams) + list(bigrams) + list(trigrams)
   

2. 或者正确地建立一个列表

   allgrams = list(unigrams)
   allgrams.extend(bigrams)
   allgrams.extend(trigrams)
   

3. 或者使用itertools.chain()，然后列出来

   allgrams = list(itertools.chain(unigrams, bigrams, trigrams))
   

以上产生相同的结果（只要您不尝试重用迭代器unigrams 等--您需要在示例之间重新定义它们）。

自己使用迭代器

不要与迭代器作斗争，要学会与它们一起工作。许多 Python 函数接受它们而不是列表，从而为您节省大量空间和时间。

1. 您可以形成一个迭代器并将其传递给nltk.FreqDist()：

   fdist = nltk.FreqDist(itertools.chain(unigrams, bigrams, trigrams))
   

2. 您可以使用多个迭代器。 FreqDist 和 Counter 一样，有一个 update() 方法可以用来递增计数：

   fdist = nltk.FreqDist(unigrams)
   fdist.update(bigrams)
   fdist.update(trigrams)