python - NLTK 使计算单词的二元组变得容易。字母呢？

Question

我已经在网上看到了大量关于 python NLTK 如何让计算单词的二元组变得容易的文档。

字母呢？

我想做的是插入字典，让它告诉我不同​​字母对的相对频率。

最终，我想做某种马尔可夫过程来生成看起来可能（但假的）单词。

Answer 1

如果您只需要二元组，则不需要 NLTK。您可以简单地执行以下操作：

from collections import Counter
text = "This is some text"
bigrams = Counter(x+y for x, y in zip(*[text[i:] for i in range(2)]))
for bigram, count in bigrams.most_common():
    print bigram, count

输出：

is 2
s  2
me 1
om 1
te 1
 t 1
 i 1
e  1
 s 1
hi 1
so 1
ex 1
Th 1
xt 1

Answer 2

这是一个使用集合模块中的计数器的示例（模相对频率分布） ：

#!/usr/bin/env python

import sys
from collections import Counter
from itertools import islice
from pprint import pprint

def split_every(n, iterable):
    i = iter(iterable)
    piece = ''.join(list(islice(i, n)))
    while piece:
        yield piece
        piece = ''.join(list(islice(i, n)))

def main(text):
    """ return ngrams for text """
    freqs = Counter()
    for pair in split_every(2, text): # adjust n here
        freqs[pair] += 1
    return freqs

if __name__ == '__main__':
    with open(sys.argv[1]) as handle:
        freqs = main(handle.read()) 
        pprint(freqs.most_common(10))

用法：

$ python 14168601.py lorem.txt
[('t ', 32),
 (' e', 20),
 ('or', 18),
 ('at', 16),
 (' a', 14),
 (' i', 14),
 ('re', 14),
 ('e ', 14),
 ('in', 14),
 (' c', 12)]