質問をすることでしか得られない、回答やアドバイスがある。

15分調べてもわからないことは、質問しよう!

新規登録して質問してみよう
ただいま回答率
85.50%
Python

Pythonは、コードの読みやすさが特徴的なプログラミング言語の1つです。 強い型付け、動的型付けに対応しており、後方互換性がないバージョン2系とバージョン3系が使用されています。 商用製品の開発にも無料で使用でき、OSだけでなく仮想環境にも対応。Unicodeによる文字列操作をサポートしているため、日本語処理も標準で可能です。

Q&A

0回答

243閲覧

トークン化とユニグラムの頻度分布について。

1mzmk

総合スコア42

Python

Pythonは、コードの読みやすさが特徴的なプログラミング言語の1つです。 強い型付け、動的型付けに対応しており、後方互換性がないバージョン2系とバージョン3系が使用されています。 商用製品の開発にも無料で使用でき、OSだけでなく仮想環境にも対応。Unicodeによる文字列操作をサポートしているため、日本語処理も標準で可能です。

0グッド

1クリップ

投稿2019/04/03 13:35

私は、あるjsonファイルを使用しています。
私のjsonファイルは、下のURLのjsonファイルでワインについてのレビューについてのデータで、多くの種類のワインのレビューについてリストとして記載されています。
'https://github.com/tulip-lab/sit742/raw/master/Assessment/2019/data/wine.json'

行には”country”,"variety", "price", "point", "description"などの項目があります。
私のjsonファイルは下のような表になります。(1行が1レビューになってます。)

イメージ説明

私は、このファイルの"description"の列で5000件以上のレビューに現れるユニグラムを求めることを目的としています。
また、ストップワードとして'stopwords.txt'に記載された単語を”description”から省いた状態でもとめなければなりません。
下のURLが'stopwords.txt'となっています。
'https://github.com/tulip-lab/sit742/raw/master/Assessment/2019/data/stopwords.txt'

私は下のコードによって'stopwords.txt'に記載されている単語を省いた状態のjsonファイルを”"result.json"”として保存しました。

python

1import pandas as pd 2from nltk.tokenize import RegexpTokenizer 3 4df = pd.read_json("wine.json") 5with open('stopwords.txt') as f: 6 stop_words = f.read().splitlines() 7stop_words = set(stop_words) 8 9tokenizer = RegexpTokenizer(r"\w+(?:[-']\w+)?") 10 11def f(s): 12 tokens = tokenizer.tokenize(s) 13 return " ".join(word for word in tokens if word not in stop_words) 14 15df["description"] = df["description"].map(f) 16df.to_json("result.json")

そして、この”result.json”を下のコードで読み込みました。

python

1df6 = pd.read_json("result.json")

この”result.json”を読み込んだあとにhttp://yoshihikomuto.hatenablog.jp/entry/2012/12/18/043725'
にあるように
tokens_l を定義して、
最終的には
fd =nltk.FreqDist(tokens_l)
unigrams = nltk.unigrams(tokens_l)
fd = nltk.FreqDist(unigrams)
とコードを書いて”result.json”の”discription”の列だけのユニグラムの頻度について求めてたいと考えているのですが、”result.json”を読み込み後、
tokens_l をどのようにコードを書いて定義すればよいのかがわかりません。

また、http://yoshihikomuto.hatenablog.jp/entry/2012/12/18/043725'
には以下のようなコードで、あるテキストファイルのFreqDisc()を用いてbigramの頻度を求めていましたので、私の”result.json”でも同じように”tokens_l”を定義することで”result.json”の”discription”の列だけのユニグラムの頻度求めることができるのではないかと思い質問させていただきました。

python

1import nltk 2>>> f = open('obama_inaugural_transcript.txt') 3>>> raw = f.read() 4>>> tokens = nltk.word_tokenize(raw) #テキストをトークンに分割 5 6>>> raw #元のテキスト 7'I stand here today humbled by the task before us, grateful for the trust you've bestowed, mindful of the sacrifices borne by our ancestors.\n\n I thank President Bush for his service to our nation ............................ 8 9>>> tokens #トークンへの分割後 10['I','stand','here','today','humbled','by','the','task','before','us',',','grateful','for','the','trust','you',"'ve",'bestowed',',','mindful','of','the','sacrifices','borne','by','our','ancestors','.','I','thank','President','Bush','for','his','service','to','our','nation', 11............................ 12 13>>> len(tokens) #単語数(ただし,大文字・小文字を区別している) 142648 15>>> len(set(tokens)) #異なり語数(ただし,大文字・小文字を区別している) 16974 17 18tokens_l = [w.lower() for w in tokens] 19>>> len(set(tokens_l)) 20938 21 22#単語の出現頻度分布(Frequency Distribution) 23>>> fd = nltk.FreqDist(tokens_l) 24 25#頻度分布のプロット(上位50件) 26>>> fd.plot(50) 27 28#バイグラムを作る。 29>>> bigrams = nltk.bigrams(tokens_l) 30 31#バイグラムの頻度分布を得る。 32>>> fd = nltk.FreqDist(bigrams)

なので、私の”result.json”の”discription”の列だけのユニグラムの頻度求めるために上のコードのように"tokens_l"を定義するコードを教えてください。
よろしくおねがいします。

気になる質問をクリップする

クリップした質問は、後からいつでもMYページで確認できます。

またクリップした質問に回答があった際、通知やメールを受け取ることができます。

バッドをするには、ログインかつ

こちらの条件を満たす必要があります。

guest

あなたの回答

tips

太字

斜体

打ち消し線

見出し

引用テキストの挿入

コードの挿入

リンクの挿入

リストの挿入

番号リストの挿入

表の挿入

水平線の挿入

プレビュー

まだ回答がついていません

会員登録して回答してみよう

アカウントをお持ちの方は

15分調べてもわからないことは
teratailで質問しよう!

ただいまの回答率
85.50%

質問をまとめることで
思考を整理して素早く解決

テンプレート機能で
簡単に質問をまとめる

質問する

関連した質問