如何从文档术语矩阵中提取词频？

Question

我正在使用 Python 进行 LDA 分析。我使用以下代码创建了一个文档术语矩阵

corpus = [dictionary.doc2bow(text) for text in texts].

有没有简单的方法来计算整个语料库的词频。由于我确实有字典，它是一个 term-id 列表，我想我可以将词频与 term-id 匹配。

Answer 1

您可以使用nltk 来计算字符串texts 中的词频

from nltk import FreqDist
import nltk
texts = 'hi there hello there'
words = nltk.tokenize.word_tokenize(texts)
fdist = FreqDist(words)

fdist 将为您提供给定字符串texts 的词频。

但是，您有一个文本列表。一种计算频率的方法是使用来自scikit-learn 的CountVectorizer 作为字符串列表。

import numpy as np
from sklearn.feature_extraction.text import CountVectorizer
texts = ['hi there', 'hello there', 'hello here you are']
vectorizer = CountVectorizer()
X = vectorizer.fit_transform(texts)
freq = np.ravel(X.sum(axis=0)) # sum each columns to get total counts for each word

这个freq将对应字典vectorizer.vocabulary_中的值

import operator
# get vocabulary keys, sorted by value
vocab = [v[0] for v in sorted(vectorizer.vocabulary_.items(), key=operator.itemgetter(1))]
fdist = dict(zip(vocab, freq)) # return same format as nltk