用于词对共现计数的高效 Python？

Question

我想要一种有效的 Pythonic 方法来计算文本中的相邻单词对。高效，因为它需要处理更大的数据集。

计数的方式也很重要。

考虑这个简化的例子：

words_list = "apple banana banana apple".split()

我可以使用以下方法创建相邻对：

word_pair_list = zip(words_list[:-1], words_list[1:])

然后我可以使用 Python 计算它们

word_pair_ctr = collections.Counter(word_pair_list)

这给了我

(('apple', 'banana'), 1)
(('banana', 'banana'), 1)
(('banana', 'apple'), 1)

请注意，'apple'和'apple'不是相邻对。

但我希望对的顺序不计算在内。这意味着('apple', 'banana')和('banana', 'apple')应该被认为是相同的，并且计数应该是

(('apple', 'banana'), 2)
(('banana', 'banana'), 1)

我找不到一种不需要我访问单词列表中的每个项目的 Pythonic 方法，这对于较大的文本来说效率很低。

我也很高兴使用常见的 scipy、numpy 和 pandas 作为库。

Answer 1

您可以使用官方文档（https://docs.python.org/3.8/library/itertools.html）中的pairwise函数的修改版本，以便按对读取列表，同时对成员重新排序每对的：

l = "apple banana banana apple".split()
def pairwise(iterable):
    """s -> (s0,s1), (s1,s2), (s2, s3), ..."""
    a, b = itertools.tee(iterable)
    next(b, None)
    return ((a, b) if a < b else (b, a) for a, b in zip(a, b))
>>> list(pairwise(l))
<class 'list'>: ['apple', 'banana', 'banana', 'apple']
>>> collections.Counter(pairwise(l))
Counter({('apple', 'banana'): 2, ('banana', 'banana'): 1})

希望这可以帮助！