文本词频统计 (DocWordCountBatchOp)

Java 类名：com.alibaba.alink.operator.batch.nlp.DocWordCountBatchOp

Python 类名：DocWordCountBatchOp

功能介绍

对文本列按行统计词语的出现的频数。

使用方式

文本内容列（ContentCol）中的内容用于统计词频，需要是用分隔符分隔的词语。
其中，分隔符可以通过参数 wordDelimiter 来设置，默认是空格（“ ”），可以为正则表达式。
文本内容列可以使用分词（SegmentBatchOp）组件的输出结果列，同时也可以在之前接入停用词过滤（StopWordsRemoverBatchOp）组件去掉常见的高频词。

文本 ID 列（DocIdCol）用于标识每一行数据，从而可以将输出结果中的词语、频数数据与输入行对应起来。

参数说明

名称	中文名称	描述	类型	是否必须？	取值范围	默认值
contentCol	文本列	文本列名	String	✓	所选列类型为 [STRING]
docIdCol	文档ID列	文档ID列名	String	✓
wordDelimiter	单词分隔符	单词之间的分隔符	String			“ ”

代码示例

Python 代码

from pyalink.alink import *

import pandas as pd

useLocalEnv(1)

df = pd.DataFrame([
    [0, u'二手旧书:医学电磁成像'],
    [1, u'二手美国文学选读（ 下册 ）李宜燮南开大学出版社 9787310003969'],
    [2, u'二手正版图解象棋入门/谢恩思主编/华龄出版社'],
    [3, u'二手中国糖尿病文献索引'],
    [4, u'二手郁达夫文集（ 国内版 ）全十二册馆藏书']
])

inOp1 = BatchOperator.fromDataframe(df, schemaStr='id int, text string')
inOp2 = StreamOperator.fromDataframe(df, schemaStr='id int, text string')

segment = SegmentBatchOp().setSelectedCol("text").setOutputCol("segment").linkFrom(inOp1)
remover = StopWordsRemoverBatchOp().setSelectedCol("segment").setOutputCol("remover").linkFrom(segment)
wordCount = DocWordCountBatchOp().setContentCol("remover").setDocIdCol("id").linkFrom(remover)
wordCount.print()

segment2 = SegmentStreamOp().setSelectedCol("text").setOutputCol("segment").linkFrom(inOp2)
remover2 = StopWordsRemoverStreamOp().setSelectedCol("segment").setOutputCol("remover").linkFrom(segment2)
wordCount2 = DocWordCountStreamOp().setContentCol("remover").setDocIdCol("id").linkFrom(remover2)
wordCount2.print()
StreamOperator.execute()

Java 代码

import org.apache.flink.types.Row;

import com.alibaba.alink.operator.batch.BatchOperator;
import com.alibaba.alink.operator.batch.nlp.DocWordCountBatchOp;
import com.alibaba.alink.operator.batch.nlp.SegmentBatchOp;
import com.alibaba.alink.operator.batch.nlp.StopWordsRemoverBatchOp;
import com.alibaba.alink.operator.batch.source.MemSourceBatchOp;
import com.alibaba.alink.operator.stream.StreamOperator;
import com.alibaba.alink.operator.stream.nlp.DocWordCountStreamOp;
import com.alibaba.alink.operator.stream.nlp.SegmentStreamOp;
import com.alibaba.alink.operator.stream.nlp.StopWordsRemoverStreamOp;
import com.alibaba.alink.operator.stream.source.MemSourceStreamOp;
import org.junit.Test;

import java.util.Arrays;
import java.util.List;

public class DocWordCountBatchOpTest {
	@Test
	public void testDocWordCountBatchOp() throws Exception {
		List <Row> df = Arrays.asList(
			Row.of(0, "二手旧书:医学电磁成像"),
			Row.of(1, "二手美国文学选读（ 下册 ）李宜燮南开大学出版社 9787310003969"),
			Row.of(2, "二手正版图解象棋入门/谢恩思主编/华龄出版社"),
			Row.of(3, "二手中国糖尿病文献索引"),
			Row.of(4, "二手郁达夫文集（ 国内版 ）全十二册馆藏书")
		);
		BatchOperator <?> inOp1 = new MemSourceBatchOp(df, "id int, text string");
		StreamOperator <?> inOp2 = new MemSourceStreamOp(df, "id int, text string");
		BatchOperator <?> segment =
			new SegmentBatchOp().setSelectedCol("text").setOutputCol("segment").linkFrom(inOp1);
		BatchOperator <?> remover = new StopWordsRemoverBatchOp().setSelectedCol("segment").setOutputCol("remover")
			.linkFrom(segment);
		BatchOperator <?> wordCount = new DocWordCountBatchOp().setContentCol("remover").setDocIdCol("id").linkFrom(
			remover);
		wordCount.print();
		StreamOperator <?> segment2 = new SegmentStreamOp().setSelectedCol("text").setOutputCol("segment").linkFrom(
			inOp2);
		StreamOperator <?> remover2 = new StopWordsRemoverStreamOp().setSelectedCol("segment").setOutputCol("remover")
			.linkFrom(segment2);
		StreamOperator <?> wordCount2 = new DocWordCountStreamOp().setContentCol("remover").setDocIdCol("id").linkFrom(
			remover2);
		wordCount2.print();
		StreamOperator.execute();
	}
}

运行结果

批运行结果

id	word	cnt
0	医学	1
0	电磁	1
0	成像	1
0	旧书	1
0	二手	1
1	美国	1
1	出版社	1
1	选读	1
1	文学	1
1	二手	1
1	下册	1
1	南开大学	1
1	9787310003969	1
1	李宜燮	1
2	出版社	1
2	主编	1
2	谢恩	1
2	二手	1
2	正版	1
2	入门	1
2	象棋	1
2	华龄	1
2	思	1
2	图解	1
3	中国	1
3	文献	1
3	索引	1
3	糖尿病	1
3	二手	1
4	国内	1
4	十二册	1
4	文集	1
4	书	1
4	二手	1
4	全	1
4	版	1
4	馆藏	1
4	郁达夫	1

流运行结果

id	word	cnt
4	国内	1
4	十二册	1
4	文集	1
4	书	1
4	二手	1
4	全	1
4	版	1
4	馆藏	1
4	郁达夫	1
3	中国	1
3	文献	1
3	索引	1
3	糖尿病	1
3	二手	1
1	美国	1
1	出版社	1
1	选读	1
1	文学	1
1	二手	1
1	下册	1
1	南开大学	1
1	9787310003969	1
1	李宜燮	1
0	医学	1
0	电磁	1
0	成像	1
0	旧书	1
0	二手	1
2	出版社	1
2	主编	1
2	谢恩	1
2	二手	1
2	正版	1
2	入门	1
2	象棋	1
2	华龄	1
2	思	1
2	图解	1

ALinkLab