【问题标题】：Efficiently count word frequencies in python有效计算python中的词频
【发布时间】：2016-06-21 19:35:55
【问题描述】：

我想计算文本文件中所有单词的频率。

>>> countInFile('test.txt')

如果目标文本文件是这样的，应该返回{'aaa':1, 'bbb': 2, 'ccc':1}：

# test.txt
aaa bbb ccc
bbb

我在some posts 之后用纯python 实现了它。但是，我发现纯 python 方式由于文件大小（> 1GB）而不足。

我认为借用sklearn的力量是一个候选。

如果你让 CountVectorizer 计算每一行的频率，我猜你会通过对每一列求和来获得词频。但是，这听起来有点间接。

用python计算文件中单词的最有效和最直接的方法是什么？

更新

我的（非常慢的）代码在这里：

from collections import Counter

def get_term_frequency_in_file(source_file_path):
    wordcount = {}
    with open(source_file_path) as f:
        for line in f:
            line = line.lower().translate(None, string.punctuation)
            this_wordcount = Counter(line.split())
            wordcount = add_merge_two_dict(wordcount, this_wordcount)
    return wordcount

def add_merge_two_dict(x, y):
    return { k: x.get(k, 0) + y.get(k, 0) for k in set(x) | set(y) }

【问题讨论】：

在python中拆分单词将不得不为list分配内存并创建很多str对象，还要创建字典，python哈希不是很快。为了获得最佳性能，您可以编写 C 扩展，在不复制内存的情况下查找单词边界，然后使用最快的哈希对其进行计数，完成后，创建 python dict。
您是在匹配某些单词，还是在尝试计算每个唯一的“单词”。您希望在 1 GB 大小的文件中找到多少个唯一词？另外，这些线路平均有多长？
您可能无法通过切换到 C 或某些模块来改善那太多的执行时间（对 950M 数据集的基本 Python 测试需要我 25 秒，这不是这么慢）。问题在于它将所有单词都存储在内存中（因此您至少需要 1G 的空闲内存）。如果您的数据限制为 1G，那可能没问题。使用 SQLite/MySQL 之类的东西可以解决内存问题，但需要磁盘访问速度要慢得多；那么你在寻找什么“效率”？内存效率？ CPU 高效？磁盘效率？省时吗？

标签： python nlp scikit-learn word-count frequency-distribution

【解决方案1】：

跳过 CountVectorizer 和 scikit-learn。

文件可能太大而无法加载到内存中，但我怀疑 python 字典太大了。对您来说最简单的选择可能是将大文件拆分为 10-20 个较小的文件，然后扩展您的代码以循环遍历较小的文件。

【讨论】：

【解决方案2】：

这就够了。

def countinfile(filename):
    d = {}
    with open(filename, "r") as fin:
        for line in fin:
            words = line.strip().split()
            for word in words:
                try:
                    d[word] += 1
                except KeyError:
                    d[word] = 1
    return d

【讨论】：

仅供参考，当split 没有给出参数时，不需要在split 之前strip()； no arg split 已经忽略了前导和尾随空格。

【解决方案3】：

最简洁的方法是使用 Python 提供的工具。

from future_builtins import map  # Only on Python 2

from collections import Counter
from itertools import chain

def countInFile(filename):
    with open(filename) as f:
        return Counter(chain.from_iterable(map(str.split, f)))

就是这样。 map(str.split, f) 正在制作一个生成器，它从每行返回 lists 的单词。包装 chain.from_iterable 将其转换为一次生成一个单词的单个生成器。 Counter 接受一个可迭代的输入并计算其中的所有唯一值。最后，你return 一个类似dict 的对象（一个Counter），它存储所有唯一单词及其计数，并且在创建期间，您一次只存储一行数据和总计数，而不是一次完整的文件。

理论上，在 Python 2.7 和 3.1 上，您自己循环链接结果并使用 dict 或 collections.defaultdict(int) 进行计数可能会稍微好一些（因为 Counter 是在 Python 中实现的，这可能会使其变慢在某些情况下），但让Counter 完成这项工作更简单，更自我记录（我的意思是，整个目标是计数，所以使用Counter）。除此之外，在 CPython（参考解释器）3.2 及更高版本上，Counter 有一个 C 级加速器，用于计算可迭代输入，其运行速度比您用纯 Python 编写的任何东西都要快。

更新：您似乎希望去除标点符号和不区分大小写，所以这是我早期代码的变体：

from string import punctuation

def countInFile(filename):
    with open(filename) as f:
        linewords = (line.translate(None, punctuation).lower().split() for line in f)
        return Counter(chain.from_iterable(linewords))

您的代码运行速度要慢得多，因为它正在创建和销毁许多小的 Counter 和 set 对象，而不是 .update-每行一次单个 Counter（虽然比我给出的稍慢在更新的代码块中，在缩放因子上至少在算法上相似）。

【讨论】：

我发现（在 C-Python 中）defaultdict(int) 在 Python 2 中比 Counter 快，但在 Python 3 中则相反。顺便说一句，这是一个很好的答案。在这个网站上投票发生了什么？
谢谢@ShadowRanger。您的代码完美运行！但是，请在更新的问题中查看我之前的代码。我也用过Counter。我的代码有什么问题？
@rkjt50r983：嗯，除此之外，创建许多Counters 并将它们组合起来比创建一个成本要高得多；如果您不喜欢我提供的过于简洁的代码，我仍然建议创建一个 Counter 并在其上调用 .update 并使用每行中的单词，这会增加单个 Counter 的数量，而不是在每一步创建全新的Counters 并合并dicts。
@mattsap: str.split 没有参数会在空格运行时拆分，并且在字符串以空格开头或结尾时不会在末尾返回空组，使其有效地成为 strip 后跟split 在空白处运行。另外，旁注，Windows 上的排序是\r\n，而不是\n\r，尽管str.rstrip 对顺序不敏感，因此当您尝试从输入行中删除换行符（但没有其他空格）时，任一顺序都有效.
@mhawke：晚更新：我去检查了；从 Python 3.2 开始，Counter 有一个C-accelerated helper function for updating itself by counting an input iterable，它几乎肯定是相对于defaultdict(int) 的加速的原因。我没有注意到它，因为在我写这篇文章时，我正在查看 2.7 代码（OP 的代码使用 str.translate 的 2.x 版本）。很高兴知道您不再为了Counter 的方便而牺牲任何速度。

【解决方案4】：

一种高效且准确的记忆方式是利用

scikit 中的 CountVectorizer（用于 ngram 提取）
word_tokenize 的 NLTK
numpy矩阵求和收集计数
collections.Counter 用于收集计数和词汇

一个例子：

import urllib.request
from collections import Counter

import numpy as np 

from nltk import word_tokenize
from sklearn.feature_extraction.text import CountVectorizer

# Our sample textfile.
url = 'https://raw.githubusercontent.com/Simdiva/DSL-Task/master/data/DSLCC-v2.0/test/test.txt'
response = urllib.request.urlopen(url)
data = response.read().decode('utf8')


# Note that `ngram_range=(1, 1)` means we want to extract Unigrams, i.e. tokens.
ngram_vectorizer = CountVectorizer(analyzer='word', tokenizer=word_tokenize, ngram_range=(1, 1), min_df=1)
# X matrix where the row represents sentences and column is our one-hot vector for each token in our vocabulary
X = ngram_vectorizer.fit_transform(data.split('\n'))

# Vocabulary
vocab = list(ngram_vectorizer.get_feature_names())

# Column-wise sum of the X matrix.
# It's some crazy numpy syntax that looks horribly unpythonic
# For details, see http://stackoverflow.com/questions/3337301/numpy-matrix-to-array
# and http://stackoverflow.com/questions/13567345/how-to-calculate-the-sum-of-all-columns-of-a-2d-numpy-array-efficiently
counts = X.sum(axis=0).A1

freq_distribution = Counter(dict(zip(vocab, counts)))
print (freq_distribution.most_common(10))

[出]：

[(',', 32000),
 ('.', 17783),
 ('de', 11225),
 ('a', 7197),
 ('que', 5710),
 ('la', 4732),
 ('je', 4304),
 ('se', 4013),
 ('на', 3978),
 ('na', 3834)]

基本上，您也可以这样做：

from collections import Counter
import numpy as np 
from nltk import word_tokenize
from sklearn.feature_extraction.text import CountVectorizer

def freq_dist(data):
    """
    :param data: A string with sentences separated by '\n'
    :type data: str
    """
    ngram_vectorizer = CountVectorizer(analyzer='word', tokenizer=word_tokenize, ngram_range=(1, 1), min_df=1)
    X = ngram_vectorizer.fit_transform(data.split('\n'))
    vocab = list(ngram_vectorizer.get_feature_names())
    counts = X.sum(axis=0).A1
    return Counter(dict(zip(vocab, counts)))

让我们timeit:

import time

start = time.time()
word_distribution = freq_dist(data)
print (time.time() - start)

[出]：

5.257147789001465

请注意，CountVectorizer 也可以使用文件而不是字符串，并且这里不需要将整个文件读入内存。在代码中：

import io
from collections import Counter

import numpy as np
from sklearn.feature_extraction.text import CountVectorizer

infile = '/path/to/input.txt'

ngram_vectorizer = CountVectorizer(analyzer='word', ngram_range=(1, 1), min_df=1)

with io.open(infile, 'r', encoding='utf8') as fin:
    X = ngram_vectorizer.fit_transform(fin)
    vocab = ngram_vectorizer.get_feature_names()
    counts = X.sum(axis=0).A1
    freq_distribution = Counter(dict(zip(vocab, counts)))
    print (freq_distribution.most_common(10))

【讨论】：

【解决方案5】：

我没有解码从 url 读取的整个字节，而是处理二进制数据。因为bytes.translate 期望它的第二个参数是一个字节串，所以我对punctuation 进行了utf-8 编码。删除标点符号后，我对字节字符串进行 utf-8 解码。

函数freq_dist 需要一个可迭代的。这就是我通过data.splitlines() 的原因。

from urllib2 import urlopen
from collections import Counter
from string import punctuation
from time import time
import sys
from pprint import pprint

url = 'https://raw.githubusercontent.com/Simdiva/DSL-Task/master/data/DSLCC-v2.0/test/test.txt'

data = urlopen(url).read()

def freq_dist(data):
    """
    :param data: file-like object opened in binary mode or
                 sequence of byte strings separated by '\n'
    :type data: an iterable sequence
    """
    #For readability   
    #return Counter(word for line in data
    #    for word in line.translate(
    #    None,bytes(punctuation.encode('utf-8'))).decode('utf-8').split())

    punc = punctuation.encode('utf-8')
    words = (word for line in data for word in line.translate(None, punc).decode('utf-8').split())
    return Counter(words)


start = time()
word_dist = freq_dist(data.splitlines())
print('elapsed: {}'.format(time() - start))
pprint(word_dist.most_common(10))

输出；

elapsed: 0.806480884552

[(u'de', 11106),
 (u'a', 6742),
 (u'que', 5701),
 (u'la', 4319),
 (u'je', 4260),
 (u'se', 3938),
 (u'\u043d\u0430', 3929),
 (u'na', 3623),
 (u'da', 3534),
 (u'i', 3487)]

似乎dict 比Counter 对象更有效。

def freq_dist(data):
    """
    :param data: A string with sentences separated by '\n'
    :type data: str
    """
    d = {}
    punc = punctuation.encode('utf-8')
    words = (word for line in data for word in line.translate(None, punc).decode('utf-8').split())
    for word in words:
        d[word] = d.get(word, 0) + 1
    return d

start = time()
word_dist = freq_dist(data.splitlines())
print('elapsed: {}'.format(time() - start))
pprint(sorted(word_dist.items(), key=lambda x: (x[1], x[0]), reverse=True)[:10])

输出；

elapsed: 0.642680168152

[(u'de', 11106),
 (u'a', 6742),
 (u'que', 5701),
 (u'la', 4319),
 (u'je', 4260),
 (u'se', 3938),
 (u'\u043d\u0430', 3929),
 (u'na', 3623),
 (u'da', 3534),
 (u'i', 3487)]

为了在打开大文件时提高内存效率，您必须只传递打开的 url。但时间也会包括文件下载时间。

data = urlopen(url)
word_dist = freq_dist(data)

【讨论】：

【解决方案6】：

这里有一些基准。它看起来很奇怪，但最粗略的代码会胜出。

[代码]：

from collections import Counter, defaultdict
import io, time

import numpy as np
from sklearn.feature_extraction.text import CountVectorizer

infile = '/path/to/file'

def extract_dictionary_sklearn(file_path):
    with io.open(file_path, 'r', encoding='utf8') as fin:
        ngram_vectorizer = CountVectorizer(analyzer='word')
        X = ngram_vectorizer.fit_transform(fin)
        vocab = ngram_vectorizer.get_feature_names()
        counts = X.sum(axis=0).A1
    return Counter(dict(zip(vocab, counts)))

def extract_dictionary_native(file_path):
    dictionary = Counter()
    with io.open(file_path, 'r', encoding='utf8') as fin:
        for line in fin:
            dictionary.update(line.split())
    return dictionary

def extract_dictionary_paddle(file_path):
    dictionary = defaultdict(int)
    with io.open(file_path, 'r', encoding='utf8') as fin:
        for line in fin:
            for words in line.split():
                dictionary[word] +=1
    return dictionary

start = time.time()
extract_dictionary_sklearn(infile)
print time.time() - start

start = time.time()
extract_dictionary_native(infile)
print time.time() - start

start = time.time()
extract_dictionary_paddle(infile)
print time.time() - start

[出]：

38.306814909
24.8241138458
12.1182529926

上述基准测试中使用的数据大小 (154MB)：

$ wc -c /path/to/file
161680851

$ wc -l /path/to/file
2176141

注意事项：

在 sklearn 版本中，创建矢量化器 + numpy 操作和转换为 Counter 对象会产生开销
然后原生Counter更新版本，看来Counter.update()是一个昂贵的操作

【讨论】：

【解决方案7】：

你可以试试 sklearn

from sklearn.feature_extraction.text import CountVectorizer
    vectorizer = CountVectorizer()

    data=['i am student','the student suffers a lot']
    transformed_data =vectorizer.fit_transform(data)
    vocab= {a: b for a, b in zip(vectorizer.get_feature_names(), np.ravel(transformed_data.sum(axis=0)))}
    print (vocab)

【讨论】：

【解决方案8】：

结合其他人的观点和我自己的一些观点:) 这是我为你准备的东西

from collections import Counter
from nltk.tokenize import RegexpTokenizer
from nltk.corpus import stopwords

text='''Note that if you use RegexpTokenizer option, you lose 
natural language features special to word_tokenize 
like splitting apart contractions. You can naively 
split on the regex \w+ without any need for the NLTK.
'''

# tokenize
raw = ' '.join(word_tokenize(text.lower()))

tokenizer = RegexpTokenizer(r'[A-Za-z]{2,}')
words = tokenizer.tokenize(raw)

# remove stopwords
stop_words = set(stopwords.words('english'))
words = [word for word in words if word not in stop_words]

# count word frequency, sort and return just 20
counter = Counter()
counter.update(words)
most_common = counter.most_common(20)
most_common

输出

（全部）

[('注', 1), ('使用', 1), ('regexptokenizer', 1), （'选项1）， ('输', 1), ('自然', 1), ('语言', 1), ('特征', 1), ('特殊', 1), ('字', 1), ('tokenize', 1), ('喜欢', 1), ('分裂', 1), ('分开', 1), （“宫缩”，1）， ('天真', 1), ('分裂', 1), ('正则表达式', 1), ('没有', 1), ('需要', 1)]

在效率方面可以做得比这更好，但如果你不是太担心的话，这个代码是最好的。

【讨论】：